کتاب فشرده‌سازی مدل‌های زبانی با رویکرد هرس مبتنی بر شبکه‌های پیچیده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره فشرده‌سازی مدل‌های زبانی با رویکرد هرس مبتنی بر شبکه‌های پیچیده

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Model Pruning

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر فشرده‌سازی مدل‌های زبانی بزرگ
• 2. اهمیت و ضرورت فشرده‌سازی مدل‌های زبانی
• 3. بررسی روش‌های مختلف فشرده‌سازی مدل
• 4. مروری بر تکنیک هرس (Pruning) در مدل‌های زبانی
• 5. مبانی شبکه‌های پیچیده (Complex Networks) و ارتباط آن‌ها با مدل‌های زبانی
• 6. شبکه‌های مقیاس‌بندی (Scale-Free Networks) و کاربرد آن‌ها در NLP
• 7. شبکه‌های کوچک‌جهانی (Small-World Networks) و اثرات آن‌ها بر کارایی مدل
• 8. معیارهای ارزیابی اهمیت پارامترها در مدل‌های زبانی
• 9. روش‌های هرس مبتنی بر وزن (Weight Pruning)
• 10. روش‌های هرس مبتنی بر نورون (Neuron Pruning)
• 11. روش‌های هرس مبتنی بر لایه (Layer Pruning)
• 12. پیاده‌سازی هرس ساختاری (Structured Pruning)
• 13. پیاده‌سازی هرس غیرساختاری (Unstructured Pruning)
• 14. استفاده از روش‌های هرس ترکیبی
• 15. تاثیر هرس بر دقت و سرعت مدل
• 16. بهینه‌سازی هایپرپارامترهای هرس
• 17. استراتژی‌های هرس تدریجی (Gradual Pruning)
• 18. استراتژی‌های هرس یکباره (One-Shot Pruning)
• 19. استفاده از دانش تقطیر (Knowledge Distillation) برای بازیابی دقت
• 20. بررسی الگوریتم هرس مبتنی بر شبکه‌های پیچیده
• 21. تحلیل توپولوژیکی شبکه‌های وزنی مدل‌های زبانی
• 22. شناسایی گره‌های کلیدی و حساس در شبکه‌های وزنی
• 23. استفاده از معیارهای مرکزیت شبکه‌ای برای هرس
• 24. کاربرد الگوریتم PageRank در هرس مدل‌های زبانی
• 25. بهره‌گیری از الگوریتم Betweenness Centrality برای تعیین اهمیت نورون‌ها
• 26. استفاده از الگوریتم Closeness Centrality در هرس مدل‌های زبانی
• 27. پیاده‌سازی هرس مبتنی بر شبکه‌های پیچیده با استفاده از TensorFlow/PyTorch
• 28. بهینه‌سازی حافظه و محاسبات در فرآیند هرس
• 29. مقایسه عملکرد مدل‌های هرس‌شده با مدل‌های اصلی
• 30. تحلیل اثر هرس بر تعمیم‌پذیری مدل
• 31. روش‌های مقابله با کاهش دقت ناشی از هرس
• 32. استفاده از تکنیک‌های Fine-tuning پس از هرس
• 33. بررسی تاثیر هرس بر Robustness مدل
• 34. کاربرد هرس در مدل‌های ترنسفورمر (Transformer)
• 35. پیاده‌سازی هرس در مدل‌های BERT
• 36. پیاده‌سازی هرس در مدل‌های GPT
• 37. استفاده از هرس برای فشرده‌سازی مدل‌های زبانی چندزبانه
• 38. بررسی چالش‌های هرس در مدل‌های زبانی بزرگ
• 39. روش‌های هرس آگاه از کوانتیزاسیون (Quantization-Aware Pruning)
• 40. استفاده از هرس برای کاهش مصرف انرژی در مدل‌های زبانی
• 41. تکنیک‌های هرس پویا (Dynamic Pruning)
• 42. بررسی آینده‌ی هرس مدل‌های زبانی و تحقیقات جدید