اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل و پردازش داده‌های حجیم با مدل‌های Gemini در BigQuery

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و پردازش داده‌های حجیم با مدل‌های Gemini در BigQuery

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های زبانی بزرگ (LLMs) و کاربردهای آن‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های حجیم
• 2. آشنایی با BigQuery و معماری آن
• 3. مفاهیم پایه هوش مصنوعی
• 4. یادگیری ماشین چیست؟
• 5. انواع یادگیری ماشین
• 6. یادگیری نظارت‌شده
• 7. یادگیری نظارت‌نشده
• 8. یادگیری تقویتی
• 9. مدل‌های زبانی بزرگ (LLMs)
• 10. معماری ترنسفورمر
• 11. نحوه عملکرد LLMs
• 12. آموزش LLMs
• 13. تنظیم دقیق (Fine-tuning) LLMs
• 14. کاربرد LLMs در پردازش زبان طبیعی
• 15. تحلیل احساسات با LLMs
• 16. خلاصه‌سازی متن با LLMs
• 17. ترجمه ماشینی با LLMs
• 18. تولید متن خلاقانه با LLMs
• 19. شناسایی موجودیت نام‌دار (NER)
• 20. استخراج رابطه
• 21. مدل‌های Gemini
• 22. معرفی مدل‌های Gemini
• 23. قابلیت‌های مدل‌های Gemini
• 24. معماری مدل‌های Gemini
• 25. مقدمه‌ای بر BigQuery ML
• 26. قابلیت‌های BigQuery ML
• 27. تفاوت BigQuery ML و LLMs
• 28. کاربرد BigQuery ML در تحلیل داده
• 29. آماده‌سازی داده‌ها برای BigQuery
• 30. پاکسازی داده‌ها
• 31. مهندسی ویژگی
• 32. انتخاب ویژگی
• 33. مدل‌سازی با BigQuery ML
• 34. ایجاد مدل‌های پیش‌بینی
• 35. ارزیابی مدل‌ها
• 36. بهینه‌سازی مدل‌ها
• 37. استقرار مدل‌ها
• 38. استفاده از LLMs در BigQuery
• 39. اتصال LLMs به BigQuery
• 40. پرس‌وجو از LLMs در BigQuery
• 41. تحلیل متن با LLMs در BigQuery
• 42. استخراج اطلاعات از متن
• 43. دسته‌بندی اسناد
• 44. شناسایی موضوعات
• 45. تحلیل شبکه‌های اجتماعی
• 46. کاربرد LLMs در تحلیل داده‌های مالی
• 47. پیش‌بینی روند بازار
• 48. شناسایی تقلب
• 49. تحلیل اخبار مالی
• 50. کاربرد LLMs در تحلیل داده‌های پزشکی
• 51. تحلیل پرونده‌های پزشکی
• 52. تشخیص بیماری
• 53. پیش‌بینی شیوع بیماری
• 54. کاربرد LLMs در تحلیل داده‌های علمی
• 55. تحلیل مقالات علمی
• 56. کشف دانش جدید
• 57. پیش‌بینی نتایج آزمایش‌ها
• 58. مباحث اخلاقی در LLMs
• 59. سوگیری در LLMs
• 60. حریم خصوصی داده‌ها
• 61. مسئولیت‌پذیری در هوش مصنوعی
• 62. امنیت مدل‌های LLM
• 63. حفاظت از داده‌ها در BigQuery
• 64. مدیریت دسترسی در BigQuery
• 65. پایش عملکرد مدل‌ها
• 66. پیاده‌سازی مدل‌های سفارشی
• 67. استفاده از APIهای خارجی
• 68. ترکیب BigQuery ML و LLMs
• 69. بهبود دقت مدل‌ها
• 70. کاهش هزینه‌ها
• 71. افزایش سرعت پردازش
• 72. کاربردهای پیشرفته LLMs
• 73. تولید کد با LLMs
• 74. حل مسائل پیچیده
• 75. یادگیری از داده‌های ساختاریافته
• 76. یادگیری از داده‌های بدون ساختار
• 77. تکنیک‌های تنظیم دقیق پیشرفته
• 78. آموزش با یادگیری انتقالی
• 79. آموزش با روش‌های چندوظیفه‌ای
• 80. ارزیابی جامع مدل‌های LLM
• 81. معیارهای ارزیابی کیفی
• 82. معیارهای ارزیابی کمی
• 83. مقایسه مدل‌های مختلف LLM
• 84. انتخاب بهترین مدل برای هر کاربرد
• 85. بهینه‌سازی هزینه‌ها در BigQuery
• 86. مدیریت منابع محاسباتی
• 87. استفاده بهینه از ذخیره‌سازی
• 88. پایش مصرف منابع
• 89. مباحث حقوقی و مقرراتی در هوش مصنوعی
• 90. قوانین مربوط به داده‌ها
• 91. مسئولیت‌پذیری سیستم‌های هوشمند
• 92. استانداردهای صنعتی
• 93. آینده LLMs و BigQuery
• 94. تحولات آتی در LLMs
• 95. تکامل BigQuery
• 96. همگرایی BigQuery و LLMs
• 97. یادگیری عمیق در BigQuery
• 98. شبکه‌های عصبی کانولوشنال
• 99. شبکه‌های عصبی بازگشتی
• 100. کاربرد شبکه‌های عصبی در تحلیل داده