دوره Hugging Face Transformers: دریچه‌ای به دنیای هوش مصنوعی مولد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Hugging Face Transformers: دریچه‌ای به دنیای هوش مصنوعی مولد

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: کتابخانه‌های NLP (NLTK, spaCy, Hugging Face Transformers)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اکوسیستم Hugging Face
• 2. نصب و راه‌اندازی کتابخانه Transformers
• 3. معماری Transformer از صفر تا صد
• 4. توکن‌ها، Tokenizerها و واژگان متنی
• 5. استفاده از pipeline() برای وظایف پیش‌فرض
• 6. طبقه‌بندی متن با مدل‌های از پیش آموزش‌دیده
• 7. تحلیل احساسات با مدل‌های BERT
• 8. شناسایی موجودیت‌های نام‌دار (NER) با Transformers
• 9. تولید متن با مدل‌های سبک GPT
• 10. خلاصه‌سازی متن با Transformers
• 11. پاسخ به سؤال (Question Answering) با Transformers
• 12. ترجمه ماشینی با مدل‌های Transformer
• 13. بازنمایی‌های برداری و Embedding متنی
• 14. Tokenizerهای BPE، WordPiece و SentencePiece
• 15. کار با کتابخانه Tokenizers
• 16. بارگذاری و بررسی مدل‌ها از Hugging Face Hub
• 17. پیکربندی مدل‌ها و تنظیمات Model Config
• 18. Fine-tuning BERT برای طبقه‌بندی متن
• 19. Fine-tuning GPT-2 برای تولید متن
• 20. Fine-tuning T5 برای وظایف Sequence-to-Sequence
• 21. آماده‌سازی و پیش‌پردازش داده‌ها برای Fine-tuning
• 22. کار با کتابخانه Datasets
• 23. تنظیمات آموزش و تنظیم فراپارامترها
• 24. معیارهای ارزیابی برای وظایف NLP
• 25. اعتبارسنجی متقاطع و انتخاب بهترین مدل
• 26. مدیریت Overfitting در مدل‌های Transformer
• 27. طبقه‌بندی چندمصنفی و چندبرچسبی
• 28. طبقه‌بندی Zero-shot با Transformers
• 29. یادگیری Few-shot و مهندسی Prompt
• 30. مهندسی Prompt برای تولید متن
• 31. تکنیک‌های Chain-of-Thought Prompting
• 32. تولید تقویت‌شده با بازیابی (RAG)
• 33. کار با Hugging Face Hub و اشتراک‌گذاری مدل
• 34. مدیریت نسخه مدل و بازتولیدپذیری
• 35. Fine-tuning کارآمد با PEFT (LoRA و QLoRA)
• 36. کوانتیزاسیون و بهینه‌سازی مدل
• 37. اندازه‌گیری مدل با ONNX و بهینه‌سازی استنتاج
• 38. استقرار مدل با FastAPI
• 39. استقرار مدل با Gradio و Streamlit
• 40. ارائه مدل با Hugging Face Inference API
• 41. بازنمایی‌های متنی و جستجوی معنایی
• 42. ساخت موتور جستجوی معنایی با Transformers
• 43. مشابهت متن و شباهت دوطرفه کسین
• 44. خلاصه‌سازی استخراکی در مقابل خلاصه‌سازی انتزاعی
• 45. خلاصه‌سازی با مدل‌های Pegasus و BART
• 46. ارزیابی مدل‌های ترجمه ماشینی
• 47. مدل‌های چندزبانه (mBERT، XLM-RoBERTa)
• 48. یادگیری تقاطعی فراملتی
• 49. خط لوله‌های پیش‌پردازش و نرمال‌سازی متن
• 50. کار با داده‌های بزرگ و آموزش توزیع‌شده
• 51. آموزش دقت ترکیبی (Mixed Precision Training)
• 52. انباشت گرادیان و بهینه‌سازی اندازه بَچ
• 53. زمان‌بندی نرخ یادگیری و Warmup
• 54. مکانیزم توجه (Attention) در عمق
• 55. Self-Attention و Multi-Head Attention
• 56. کدگذاری موقعیتی و پنجره متن (Context Window)
• 57. معماری Encoder-Decoder به تفصیل
• 58. مدل‌های بینایی ViT در کنار Transformers
• 59. مدل‌های چندوجهی: CLIP و مدل‌های مرتبط
• 60. طبقه‌بندی تصویر با ViT
• 61. مقدمه‌ای بر مدل‌های صوتی و گفتار
• 62. تشخیص گفتار با Whisper
• 63. مدل‌های تبدیل متن به گفتار
• 64. کار با مدل‌های زبانی بزرگ: GPT، LLaMA، Mistral
• 65. Fine-tuning LLM با RLHF
• 66. هوش مصنوعی مطابق‌شده و تکنیک‌های Alignment
• 67. ساخت چت‌بات با Transformers
• 68. مدیریت تاریخچه مکالمه و زمینه
• 69. ارزیابی مدل‌های Transformer (BLEU, ROUGE, BERTScore)
• 70. تحلیل خطا و رفع اشکال مدل
• 71. سوگیری و عدالت در مدل‌های Transformer
• 72. ملاحظات اخلاقی در هوش مصنوعی مولد
• 73. ساخت خط لوله‌های NLP انتهایی به انتهایی
• 74. یکپارچه‌سازی Transformers با کتابخانه‌های دیگر
• 75. MLOps برای مدل‌های Transformer
• 76. نظارت و ثبت عملکرد مدل در تولید
• 77. فشرده‌سازی و هرس مدل (Pruning)
• 78. تدریس دانش (Knowledge Distillation) برای Transformers
• 79. مطالعه موردی واقعی: سیستم پاسخ به سؤال سندی