اپلیکیشن اندرویدی فلش‌کارت آموزشی تنظیم دقیق Flan-T5 برای دسته‌بندی متن با استفاده از MLFlow - آموزش عملی به زبان اسپانیایی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیم دقیق Flan-T5 برای دسته‌بندی متن با استفاده از MLFlow - آموزش عملی به زبان اسپانیایی

موضوع کلی: یادگیری ماشین و پردازش زبان طبیعی

موضوع میانی: تنظیم دقیق مدل‌های زبانی از پیش‌آموخته

📋 سرفصل‌های دوره

• 1. تنظیم دقیق Flan-T5 برای دسته‌بندی متن با استفاده از MLFlow - آموزش عملی به زبان اسپانیایی
• 2. معرفی مدل‌های زبانی از پیش‌آموخته Flan-T5
• 3. آشنایی با معماری مدل Sequence-to-Sequence
• 4. نصب و راه‌اندازی محیط توسعه پایتون
• 5. بارگذاری و پیش‌پردازش مجموعه داده متنی
• 6. تبدیل داده‌های خام به فرمت مناسب برای Flan-T5
• 7. توکنایزر و تنظیم پارامترهای توکن‌سازی
• 8. ایجاد دیتالودر برای آموزش مدل
• 9. معرفی ابزار MLFlow برای مدیریت آزمایش‌ها
• 10. نصب و پیکربندی اولیه MLFlow
• 11. ثبت خودکار پارامترها و معیارها با MLFlow
• 12. طراحی تابع هزینه برای دسته‌بندی متن
• 13. تنظیم هایپرپارامترها (نرخ یادگیری، اندازه بسته، تعداد دور)
• 14. بارگذاری مدل Flan-T5 از پیش‌آموخته
• 15. فریز کردن لایه‌های پایه و تنظیم دقیق لایه‌های بالایی
• 16. اجرای فرآیند تنظیم دقیق با PyTorch
• 17. استفاده از MLFlow برای ردیابی آموزش مدل
• 18. ذخیره چک‌پوینت‌ها و بازیابی آن‌ها
• 19. ارزیابی مدل بر روی مجموعه اعتبارسنجی
• 20. محاسبه معیارهای دقت، صحت و بازیابی
• 21. تنظیم دقیق با تکنیک LoRA برای کاهش مصرف حافظه
• 22. مقایسه عملکرد مدل پایه و مدل تنظیم‌شده
• 23. ذخیره مدل نهایی در فرمت Hugging Face
• 24. ثبت مدل در رجیستری MLFlow
• 25. بارگذاری مدل ذخیره‌شده برای استنتاج
• 26. تست مدل بر روی نمونه‌های جدید
• 27. مدیریت خطاهای رایج در تنظیم دقیق
• 28. بهینه‌سازی حافظه با تکنیک Gradient Checkpointing
• 29. استفاده از TensorBoard برای تجسم منحنی‌های یادگیری
• 30. تنظیم دقیق با داده‌های چندزبانه (اسپانیایی)
• 31. پیش‌پردازش متن اسپانیایی و مدیریت کاراکترهای خاص
• 32. تعریف تابع پیش‌بینی برای دسته‌بندی متن
• 33. ایجاد پایپ‌لاین کامل از ورودی تا خروجی
• 34. تفسیر خروجی مدل و تبدیل به برچسب
• 35. مدیریت کلاس‌های نامتوازن در داده‌ها
• 36. افزایش داده با تکنیک‌های ساده (ترجمه معکوس)
• 37. آموزش با تکنیک Teacher Forcing
• 38. تنظیم طول توالی ورودی و خروجی
• 39. استفاده از توکن‌های ویژه برای دسته‌بندی
• 40. بهبود سرعت استنتاج با تکنیک Quantization
• 41. مدیریت وزن‌های مدل در MLFlow
• 42. ایجاد داشبورد مقایسه آزمایش‌ها در MLFlow
• 43. تغییر ساختار پرامپت برای دسته‌بندی بهتر
• 44. آزمایش با مدل‌های مشابه (T5، BART)
• 45. مستندسازی فرآیند تنظیم دقیق با MLFlow
• 46. بهینه‌سازی کد برای اجرا روی GPU
• 47. حل مشکل Overfitting با Dropout و Regularization
• 48. تنظیم دقیق بر روی دامنه خاص (متن‌های فنی)
• 49. ارزیابی نهایی و گزارش نتایج
• 50. بسته‌بندی مدل برای استقرار در محیط تولید
• 51. خلاصه و گام‌های بعدی در یادگیری ماشین