اپلیکیشن اندرویدی فلش‌کارت آموزشی تبدیل و بهینه‌سازی مدل‌های زبان بزرگ (LLMs) برای اجرا در محیط‌های مختلف

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تبدیل و بهینه‌سازی مدل‌های زبان بزرگ (LLMs) برای اجرا در محیط‌های مختلف

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی مدل‌های زبان بزرگ (LLMs)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. شبکه‌های عصبی مصنوعی
• 5. مقدمه‌ای بر یادگیری عمیق
• 6. معماری‌های شبکه‌های عصبی
• 7. شبکه‌های عصبی کانولوشنال (CNN)
• 8. شبکه‌های عصبی بازگشتی (RNN)
• 9. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
• 10. معماری ترنسفورمر
• 11. مکانیزم توجه (Attention Mechanism)
• 12. مدل‌های پیش‌آموزش‌دیده
• 13. مفاهیم کلیدی در LLMs
• 14. کاربرد LLMs در پردازش زبان طبیعی (NLP)
• 15. خانواده مدل‌های GPT
• 16. خانواده مدل‌های BERT
• 17. مقدمه‌ای بر MLOps
• 18. اهمیت MLOps در چرخه عمر مدل‌های یادگیری ماشین
• 19. مراحل MLOps
• 20. جمع‌آوری و آماده‌سازی داده
• 21. مهندسی ویژگی
• 22. آموزش مدل
• 23. ارزیابی مدل
• 24. تنظیم ابرپارامترها
• 25. استقرار مدل
• 26. نظارت بر مدل
• 27. مدیریت نسخه مدل
• 28. اتوماسیون در MLOps
• 29. ابزارهای MLOps
• 30. مقدمه‌ای بر تبدیل مدل
• 31. فرمت‌های مختلف مدل‌های یادگیری ماشین
• 32. فرمت GGUF چیست؟
• 33. مزایای فرمت GGUF
• 34. کاربرد GGUF در اجرای LLMs
• 35. تبدیل مدل‌های LLM به فرمت GGUF
• 36. معرفی LLaMA.cpp
• 37. نصب و راه‌اندازی LLaMA.cpp
• 38. کامپایل LLaMA.cpp
• 39. استفاده از LLaMA.cpp برای اجرای مدل‌ها
• 40. تبدیل مدل Microsoft Phi-3 به GGUF
• 41. مراحل پیش‌پردازش برای تبدیل
• 42. انتخاب ابزار مناسب برای تبدیل
• 43. فرآیند تبدیل مدل Phi-3
• 44. اعتبارسنجی مدل تبدیل شده
• 45. بهینه‌سازی مدل‌های زبان بزرگ
• 46. تکنیک‌های کوانتیزاسیون (Quantization)
• 47. انواع کوانتیزاسیون
• 48. مزایای کوانتیزاسیون
• 49. پیاده‌سازی کوانتیزاسیون با LLaMA.cpp
• 50. بهینه‌سازی حافظه
• 51. بهینه‌سازی سرعت اجرا
• 52. تکنیک‌های حذف پارامترهای غیرضروری
• 53. فشرده‌سازی مدل
• 54. کاربرد مدل‌های بهینه‌سازی شده
• 55. اجرای LLMs بر روی سخت‌افزارهای محدود
• 56. اجرای LLMs بر روی دستگاه‌های موبایل
• 57. اجرای LLMs بر روی کامپیوترهای شخصی
• 58. اجرای LLMs بر روی سرورهای ابری
• 59. مقایسه عملکرد مدل‌های مختلف
• 60. معیارهای ارزیابی عملکرد مدل
• 61. اندازه‌گیری دقت و سرعت
• 62. تحلیل مصرف منابع
• 63. نظارت بر عملکرد مدل در محیط عملیاتی
• 64. شناسایی انحراف داده (Data Drift)
• 65. شناسایی انحراف مفهوم (Concept Drift)
• 66. استراتژی‌های بازآموزی مدل
• 67. مدیریت چرخه عمر مدل‌های LLM
• 68. مستندسازی مدل‌ها
• 69. کنترل دسترسی و امنیت مدل‌ها
• 70. قوانین و مقررات مربوط به هوش مصنوعی
• 71. اخلاق در توسعه و استفاده از هوش مصنوعی
• 72. مسئولیت‌پذیری در هوش مصنوعی
• 73. ملاحظات امنیتی در LLMs
• 74. حفاظت از داده‌ها و حریم خصوصی
• 75. پیاده‌سازی LLMs در کاربردهای عملی
• 76. توسعه چت‌بات‌های هوشمند
• 77. سیستم‌های توصیه‌گر مبتنی بر LLM
• 78. تولید محتوا با LLMs
• 79. ترجمه ماشینی پیشرفته
• 80. خلاصه‌سازی متون با LLMs
• 81. تحلیل احساسات با LLMs
• 82. کاربردهای LLMs در صنعت
• 83. کاربردهای LLMs در آموزش
• 84. کاربردهای LLMs در پژوهش
• 85. آینده LLMs و MLOps
• 86. روندهای نوظهور در LLMs
• 87. چالش‌های پیش رو در MLOps
• 88. توسعه ابزارهای خودکار MLOps
• 89. اهمیت همکاری بین تیم‌های توسعه و عملیات
• 90. نقش جامعه متن‌باز در پیشرفت LLMs
• 91. آموزش مداوم و به‌روزرسانی دانش
• 92. کارگاه عملی: تبدیل و بهینه‌سازی یک مدل LLM
• 93. پروژه نهایی: پیاده‌سازی یک pipeline MLOps برای LLM
• 94. ارائه نتایج پروژه
• 95. جمع‌بندی مباحث دوره