دوره استخراج، برچسب‌گذاری و خلاصه‌سازی داده با مدل‌های زبانی پیشرفته (Gemma 3) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استخراج، برچسب‌گذاری و خلاصه‌سازی داده با مدل‌های زبانی پیشرفته (Gemma 3)

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی

موضوع میانی: توسعه و کاربردهای مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و مدل‌های زبانی
• 2. آشنایی با پردازش زبان طبیعی
• 3. مبانی مدل‌های زبانی بزرگ
• 4. معماری ترنسفورمر در مدل‌های زبانی
• 5. مفاهیم کلیدی در مدل‌های زبانی
• 6. نصب و راه‌اندازی محیط توسعه
• 7. آشنایی با کتابخانه Gemma 3
• 8. مفاهیم پایه در استخراج داده
• 9. انواع تکنیک‌های استخراج داده
• 10. اصول برچسب‌گذاری داده‌ها
• 11. انواع برچسب‌گذاری داده
• 12. مقدمه‌ای بر خلاصه‌سازی متن
• 13. روش‌های مختلف خلاصه‌سازی
• 14. کاربردهای مدل‌های زبانی در استخراج داده
• 15. کاربرد مدل‌های زبانی در برچسب‌گذاری
• 16. کاربرد مدل‌های زبانی در خلاصه‌سازی
• 17. تمرین عملی: نصب Gemma 3
• 18. تنظیمات اولیه Gemma 3
• 19. اولین گام‌ها با Gemma 3
• 20. آشنایی با APIهای Gemma 3
• 21. استخراج اطلاعات از متون ساده
• 22. استخراج اطلاعات ساختاریافته
• 23. استخراج موجودیت‌های نام‌دار (NER)
• 24. برچسب‌گذاری موجودیت‌ها
• 25. تمرین عملی: استخراج موجودیت‌ها
• 26. خلاصه‌سازی متون خبری
• 27. خلاصه‌سازی متون علمی
• 28. خلاصه‌سازی مکالمات
• 29. تمرین عملی: خلاصه‌سازی متون
• 30. استخراج اطلاعات از جداول
• 31. استخراج اطلاعات از فرم‌ها
• 32. برچسب‌گذاری داده‌های جدولی
• 33. برچسب‌گذاری داده‌های فرمی
• 34. تمرین عملی: داده‌های جدولی و فرمی
• 35. مفاهیم پیشرفته در استخراج داده
• 36. تکنیک‌های پیشرفته برچسب‌گذاری
• 37. روش‌های پیشرفته خلاصه‌سازی
• 38. اعتبارسنجی نتایج استخراج داده
• 39. اعتبارسنجی نتایج برچسب‌گذاری
• 40. اعتبارسنجی نتایج خلاصه‌سازی
• 41. مقدمه‌ای بر مهندسی پرامپت
• 42. اصول طراحی پرامپت مؤثر
• 43. تکنیک‌های پیشرفته مهندسی پرامپت
• 44. پرامپت‌نویسی برای استخراج داده
• 45. پرامپت‌نویسی برای برچسب‌گذاری
• 46. پرامپت‌نویسی برای خلاصه‌سازی
• 47. مدیریت داده‌های بزرگ
• 48. ذخیره‌سازی و بازیابی داده‌ها
• 49. امنیت داده‌ها در پردازش
• 50. مبانی اخلاق در هوش مصنوعی
• 51. مسئولیت‌پذیری در استفاده از مدل‌های زبانی
• 52. حریم خصوصی در پردازش زبان طبیعی
• 53. کاربرد مدل‌های زبانی در تحلیل احساسات
• 54. کاربرد مدل‌های زبانی در دسته‌بندی متن
• 55. کاربرد مدل‌های زبانی در پاسخ به پرسش
• 56. ارزیابی مدل‌های زبانی
• 57. متریک‌های ارزیابی استخراج داده
• 58. متریک‌های ارزیابی برچسب‌گذاری
• 59. متریک‌های ارزیابی خلاصه‌سازی
• 60. بهینه‌سازی مدل‌های زبانی
• 61. تنظیم دقیق (Fine-tuning) مدل‌ها
• 62. کاربرد مدل‌های زبانی در تولید محتوا
• 63. تولید محتوای متنی با Gemma 3
• 64. کاربرد مدل‌های زبانی در ترجمه ماشینی
• 65. مقدمه‌ای بر بازیابی اطلاعات (Information Retrieval)
• 66. اصول بازیابی اطلاعات با مدل‌های زبانی
• 67. سیستم‌های پرسش و پاسخ (Q&A)
• 68. پیاده‌سازی سیستم Q&A با Gemma 3
• 69. مقدمه‌ای بر پایگاه‌دانش‌های دانش‌محور (Knowledge Graphs)
• 70. کاربرد مدل‌های زبانی در ساخت پایگاه‌دانش
• 71. یکپارچه‌سازی مدل‌های زبانی با پایگاه‌دانش
• 72. مباحث پیشرفته در RAG (Retrieval-Augmented Generation)
• 73. بهبود سیستم‌های RAG
• 74. کاربرد مدل‌های زبانی در تحلیل کد
• 75. استخراج اطلاعات از کدها
• 76. برچسب‌گذاری داده‌های کد
• 77. خلاصه‌سازی کدهای برنامه‌نویسی
• 78. تمرین عملی: تحلیل کد با Gemma 3
• 79. کاربرد مدل‌های زبانی در تحلیل داده‌های مالی
• 80. استخراج اطلاعات از گزارش‌های مالی
• 81. برچسب‌گذاری داده‌های مالی
• 82. خلاصه‌سازی گزارش‌های مالی
• 83. تمرین عملی: داده‌های مالی
• 84. کاربرد مدل‌های زبانی در حوزه پزشکی
• 85. استخراج اطلاعات از متون پزشکی
• 86. برچسب‌گذاری داده‌های پزشکی
• 87. خلاصه‌سازی مقالات پزشکی
• 88. تمرین عملی: حوزه پزشکی
• 89. ملاحظات قانونی و اخلاقی در پردازش داده
• 90. استانداردهای حاکم بر محتوای دیجیتال
• 91. اصول فقهی در پردازش اطلاعات
• 92. چارچوب‌های شرعی در کاربردهای نوین
• 93. تطبیق با قوانین بانک مرکزی ایران
• 94. کاربرد مدل‌های زبانی در بانکداری اسلامی
• 95. استخراج اطلاعات از عقود بانکی
• 96. برچسب‌گذاری داده‌های قراردادها
• 97. خلاصه‌سازی صورت‌جلسات بانکی
• 98. مقدمه‌ای بر هوش مصنوعی مولد
• 99. آینده مدل‌های زبانی بزرگ
• 100. مسیر شغلی در حوزه هوش مصنوعی و NLP