دوره بهینه‌سازی بازیابی اطلاعات برای مدل‌های زبانی بزرگ همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی بازیابی اطلاعات برای مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های زبانی بزرگ و پردازش زبان طبیعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین نظارت شده
• 3. مبانی یادگیری ماشین بدون نظارت
• 4. مبانی یادگیری تقویتی
• 5. مقدمه‌ای بر پردازش زبان طبیعی
• 6. کاربردها و چالش‌های NLP
• 7. پیش‌پردازش متن: توکنایزیشن و نرمال‌سازی
• 8. مدل‌های زبانی سنتی: N-gram
• 9. مدل‌های زبانی آماری
• 10. مبانی شبکه‌های عصبی
• 11. شبکه‌های عصبی بازگشتی (RNN)
• 12. شبکه‌های حافظه بلند کوتاه (LSTM)
• 13. شبکه‌های حافظه واحد (GRU)
• 14. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
• 15. معماری ترنسفورمر
• 16. مکانیزم توجه (Attention Mechanism)
• 17. ترنسفورمرهای پیش‌آموزش‌دیده
• 18. مدل‌های زبانی خودبازگشتی (Autoregressive LLMs)
• 19. مدل‌های زبانی غیربازگشتی (Non-autoregressive LLMs)
• 20. تولید متن با LLMs
• 21. ارزیابی مدل‌های زبانی
• 22. شاخص‌های ارزیابی LLMs
• 23. مقدمه‌ای بر بازیابی اطلاعات (Information Retrieval)
• 24. مفاهیم پایه IR
• 25. مدل‌های بازیابی اطلاعات مبتنی بر شاخص
• 26. مدل‌های بازیابی اطلاعات مبتنی بر بردار
• 27. سیستم‌های رتبه‌بندی (Ranking Systems)
• 28. الگوریتم‌های رتبه‌بندی اولیه
• 29. مقدمه‌ای بر بازیابی اطلاعات افزوده (Retrieval-Augmented Generation - RAG)
• 30. نیاز به RAG در LLMs
• 31. معماری‌های RAG
• 32. بازیابی اسناد
• 33. شاخص‌گذاری اسناد
• 34. خوشه‌بندی اسناد
• 35. طبقه‌بندی اسناد
• 36. فشرده‌سازی اسناد
• 37. تولید پرس‌وجو (Query Generation)
• 38. توسعه پرس‌وجو (Query Expansion)
• 39. تقویت پرس‌وجو (Query Rewriting)
• 40. استخراج اطلاعات مرتبط
• 41. رتبه‌بندی نتایج بازیابی
• 42. مدل‌های رتبه‌بندی مبتنی بر یادگیری ماشین
• 43. مدل‌های رتبه‌بندی مبتنی بر ترنسفورمر
• 44. رتبه‌بندی متحد (Unified Ranking)
• 45. مفهوم رتبه‌بندی چندگانه
• 46. کاربرد رتبه‌بندی در LLMs
• 47. تنظیم دقیق (Fine-tuning) LLMs برای رتبه‌بندی
• 48. آموزش LLMs با داده‌های رتبه‌بندی
• 49. یادگیری فعال (Active Learning) برای رتبه‌بندی
• 50. ارزیابی سیستم‌های RAG
• 51. معیارهای ارزیابی RAG
• 52. تست و دیباگینگ سیستم‌های RAG
• 53. بهینه‌سازی پارامترهای RAG
• 54. پردازش زبان طبیعی در بازیابی اطلاعات
• 55. مدل‌های جاسازی (Embedding Models)
• 56. کاربرد جاسازی در بازیابی
• 57. استخراج ویژگی از متن
• 58. تحلیل معنایی متن
• 59. تحلیل احساسات در بازیابی
• 60. شناسایی موجودیت‌های نام‌گذاری شده (NER)
• 61. ارتباط بین موجودیت‌ها
• 62. مدل‌های پرسش و پاسخ (Question Answering Models)
• 63. بازیابی دانش
• 64. فرهنگ لغات و واژه‌نامه‌ها
• 65. مدیریت دانش
• 66. استفاده از پایگاه‌های دانش
• 67. ساخت پایگاه دانش
• 68. قوانین و مقررات مربوط به داده‌های آموزشی
• 69. حفظ حریم خصوصی در NLP
• 70. امنیت داده‌ها در سیستم‌های زبانی
• 71. اخلاق در هوش مصنوعی
• 72. مسئولیت‌پذیری در LLMs
• 73. کاربرد LLMs در صنعت
• 74. کاربرد LLMs در آموزش
• 75. کاربرد LLMs در پزشکی
• 76. کاربرد LLMs در حقوق
• 77. کاربرد LLMs در امور مالی
• 78. کاربرد LLMs در تحقیقات علمی
• 79. روندهای آینده در RAG
• 80. چالش‌های پیش رو در LLMs
• 81. پیشرفت‌های اخیر در معماری‌های زبانی
• 82. تکنیک‌های جدید در بازیابی اطلاعات
• 83. یادگیری عمیق برای بازیابی اطلاعات
• 84. کاربرد شبکه‌های عصبی گراف (GNN) در بازیابی
• 85. پردازش موازی و توزیع شده در LLMs
• 86. سخت‌افزارهای تخصصی برای LLMs
• 87. مدل‌های چندوجهی (Multimodal Models)
• 88. ترکیب متن و تصویر در بازیابی
• 89. ترکیب متن و صدا در بازیابی
• 90. مدل‌های زبانی برای زبان فارسی
• 91. چالش‌های پردازش زبان فارسی
• 92. منابع داده‌ای برای زبان فارسی
• 93. فرهنگ لغت‌های تخصصی فارسی
• 94. استانداردهای پردازش زبان فارسی
• 95. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)
• 96. کاربرد DRL در بهینه‌سازی بازیابی
• 97. مدل‌های یادگیری تقویتی برای رتبه‌بندی پویا
• 98. تنظیم سیاست‌های رتبه‌بندی
• 99. ارزیابی عملکرد سیاست‌های رتبه‌بندی
• 100. کاربردهای پیشرفته RAG