دوره آشنایی با مدل‌های زبانی بزرگ (LLMs) در هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با مدل‌های زبانی بزرگ (LLMs) در هوش مصنوعی

موضوع کلی: علوم کامپیوتر و هوش مصنوعی

موضوع میانی: پردازش زبان طبیعی و مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 3. تاریخچه و تکامل مدل‌های زبانی
• 4. ساختار کلی مدل‌های زبانی
• 5. مفاهیم اولیه مدل‌های زبانی آماری
• 6. مدل‌های زبانی مبتنی بر ان‌گرام
• 7. شبکه‌های عصبی در پردازش زبان طبیعی
• 8. شبکه‌های عصبی بازگشتی (RNN)
• 9. شبکه‌های حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 10. شبکه‌های عصبی کانولوشنی (CNN) در NLP
• 11. مفهوم جاسازی کلمات (Word Embeddings)
• 12. Word2Vec و GloVe
• 13. یادگیری نمایش کلمات
• 14. مقدمه‌ای بر مدل‌های ترنسفورمر
• 15. معماری ترنسفورمر
• 16. مکانیسم توجه (Attention Mechanism)
• 17. توجه خودی (Self-Attention)
• 18. رمزگذار-رمزگشا (Encoder-Decoder)
• 19. مدل‌های زبانی بزرگ (LLMs)
• 20. تفاوت LLMs با مدل‌های زبانی سنتی
• 21. معماری‌های معروف LLMs
• 22. GPT (Generative Pre-trained Transformer)
• 23. BERT (Bidirectional Encoder Representations from Transformers)
• 24. T5 (Text-to-Text Transfer Transformer)
• 25. مراحل پیش‌آموزش (Pre-training) در LLMs
• 26. مجموعه داده‌های عظیم برای پیش‌آموزش
• 27. وظایف پیش‌آموزش
• 28. تنظیم دقیق (Fine-tuning) مدل‌های LLM
• 29. تنظیم دقیق برای وظایف خاص
• 30. یادگیری تقویتی از بازخورد انسانی (RLHF)
• 31. کاربردهای مدل‌های زبانی بزرگ
• 32. تولید متن
• 33. خلاصه‌سازی متن
• 34. ترجمه ماشینی
• 35. پرسش و پاسخ
• 36. طبقه‌بندی متن
• 37. استخراج اطلاعات
• 38. تولید کد
• 39. ربات‌های گفتگو (Chatbots)
• 40. مدل‌های زبانی در جستجوی اطلاعات
• 41. ملاحظات اخلاقی در LLMs
• 42. سوگیری در مدل‌های زبانی
• 43. شفافیت و قابلیت تفسیر
• 44. امنیت و حریم خصوصی
• 45. مسئولیت‌پذیری در استفاده از LLMs
• 46. ارزیابی مدل‌های زبانی
• 47. معیارهای ارزیابی
• 48. داده‌های ارزیابی
• 49. چالش‌های فعلی در LLMs
• 50. بهبود کارایی و دقت
• 51. مقیاس‌پذیری مدل‌ها
• 52. مدیریت منابع محاسباتی
• 53. مدل‌های زبانی چندزبانه
• 54. مدل‌های زبانی در زبان فارسی
• 55. پردازش زبان طبیعی در ایران
• 56. ابزارهای پردازش زبان فارسی
• 57. مجموعه داده‌های فارسی برای NLP
• 58. کاربردهای LLMs در صنعت ایران
• 59. آموزش و پژوهش در زمینه LLMs
• 60. مفاهیم پیشرفته در LLMs
• 61. یادگیری چندوجهی (Multimodal Learning)
• 62. مدل‌های زبانی و دانش جهان
• 63. استدلال در مدل‌های زبانی
• 64. خلاقیت در مدل‌های زبانی
• 65. کاربردهای نوظهور LLMs
• 66. آینده مدل‌های زبانی بزرگ
• 67. نقش LLMs در تحول دیجیتال
• 68. توسعه ابزارهای تعاملی
• 69. دستیارهای هوشمند شخصی
• 70. کاربرد در علوم پزشکی
• 71. کاربرد در علوم مالی
• 72. کاربرد در آموزش مجازی
• 73. مدل‌های زبانی و علم داده
• 74. تحلیل احساسات با LLMs
• 75. تولید محتوای آموزشی
• 76. سیستم‌های توصیه‌گر مبتنی بر LLMs
• 77. پردازش اسناد اداری
• 78. سیستم‌های مدیریت دانش
• 79. نکات کاربردی در استفاده از LLMs
• 80. انتخاب مدل مناسب برای وظیفه
• 81. بهینه‌سازی پارامترها
• 82. مدیریت حافظه در مدل‌های بزرگ
• 83. استفاده از API مدل‌های زبانی
• 84. توسعه برنامه‌های مبتنی بر LLMs
• 85. مبانی برنامه‌نویسی پایتون برای LLMs
• 86. کتابخانه‌های محبوب NLP (NLTK, SpaCy)
• 87. چارچوب‌های یادگیری عمیق (TensorFlow, PyTorch)
• 88. ساخت یک مدل زبانی ساده
• 89. اجرای یک مدل زبانی پیش‌آموزش‌داده شده
• 90. تنظیم دقیق یک مدل برای طبقه‌بندی متن
• 91. تولید متن با استفاده از مدل‌های زبانی
• 92. پیاده‌سازی یک ربات گفتگو ساده
• 93. ارزیابی عملکرد مدل زبانی
• 94. مقدمه‌ای بر مهندسی پرامپت (Prompt Engineering)
• 95. اصول طراحی پرامپت‌های مؤثر
• 96. تکنیک‌های پیشرفته مهندسی پرامپت
• 97. پرامپت‌های صفر-شات (Zero-shot) و چند-شات (Few-shot)
• 98. پرامپت‌های زنجیره فکری (Chain-of-Thought)
• 99. ارزیابی و انتخاب بهترین پرامپت
• 100. کاربرد مهندسی پرامپت در وظایف مختلف