فلش‌کارت‌های آموزشی پیاده‌سازی و استنتاج مدل‌های زبانی بزرگ (LLM) با استفاده از C# و ONNX بر روی CPU

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی و استنتاج مدل‌های زبانی بزرگ (LLM) با استفاده از C# و ONNX بر روی CPU

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مدل‌های زبانی بزرگ و کاربردهای آن‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری ماشین
• 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 4. مقدمه‌ای بر شبکه‌های عصبی مصنوعی
• 5. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 6. توابع فعال‌سازی در شبکه‌های عصبی
• 7. پس‌انتشار خطا (Backpropagation)
• 8. مقدمه‌ای بر یادگیری عمیق
• 9. شبکه‌های عصبی کانولوشنال (CNN)
• 10. شبکه‌های عصبی بازگشتی (RNN)
• 11. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 12. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 13. معماری‌های ترنسفورمر (Transformer)
• 14. مکانیزم توجه (Attention Mechanism)
• 15. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM)
• 16. معماری‌های پیشرفته LLM
• 17. آموزش اولیه LLM
• 18. تنظیم دقیق (Fine-tuning) LLM
• 19. روش‌های تنظیم دقیق LLM
• 20. تنظیم دقیق با داده‌های کم (Few-shot Learning)
• 21. تولید متن با LLM
• 22. تولید متن خلاقانه با LLM
• 23. خلاصه‌سازی متن با LLM
• 24. ترجمه ماشینی با LLM
• 25. پاسخ به پرسش با LLM
• 26. استخراج اطلاعات از متن با LLM
• 27. تحلیل احساسات با LLM
• 28. طبقه‌بندی متن با LLM
• 29. تشخیص موجودیت نام‌دار (NER) با LLM
• 30. مدل‌های زبانی برای پردازش زبان طبیعی (NLP)
• 31. مقدمه‌ای بر ONNX
• 32. مزایای استفاده از ONNX
• 33. تبدیل مدل‌های یادگیری ماشین به ONNX
• 34. مدل‌های Microsoft Florence 2
• 35. کاربرد مدل‌های Florence 2
• 36. استنتاج (Inference) با ONNX
• 37. نصب و راه‌اندازی محیط C#
• 38. مقدمه‌ای بر زبان برنامه‌نویسی C#
• 39. کار با کتابخانه‌های .NET برای هوش مصنوعی
• 40. پیاده‌سازی استنتاج ONNX در C#
• 41. استفاده از ONNX Runtime در C#
• 42. بارگذاری مدل‌های ONNX در C#
• 43. اجرای پیش‌بینی با مدل‌های ONNX
• 44. پردازش ورودی برای مدل‌های ONNX
• 45. پردازش خروجی مدل‌های ONNX
• 46. مدیریت حافظه در C# برای LLM
• 47. بهینه‌سازی استنتاج LLM بر روی CPU
• 48. تکنیک‌های کوانتیزاسیون (Quantization) مدل‌ها
• 49. کوانتیزاسیون ۸ بیتی و ۱۶ بیتی
• 50. فشرده‌سازی مدل‌ها برای کاهش حجم
• 51. مدیریت منابع CPU برای استنتاج
• 52. استفاده از پردازش موازی در C#
• 53. تکنیک‌های پیشرفته C# برای کارایی
• 54. بررسی عملکرد استنتاج LLM
• 55. متریک‌های ارزیابی مدل‌های زبانی
• 56. دقت، صحت و بازخوانی (Precision, Recall)
• 57. امتیاز F1
• 58. کاربرد LLM در پردازش زبان فارسی
• 59. چالش‌های پردازش زبان فارسی با LLM
• 60. آماده‌سازی داده‌های متنی فارسی
• 61. تنظیم دقیق LLM برای وظایف فارسی
• 62. تولید متن فارسی با LLM
• 63. خلاصه‌سازی متن فارسی با LLM
• 64. ترجمه ماشینی فارسی به انگلیسی
• 65. ترجمه ماشینی انگلیسی به فارسی
• 66. پاسخ به پرسش فارسی با LLM
• 67. تحلیل احساسات متن فارسی
• 68. کاربرد LLM در سیستم‌های پرسش و پاسخ
• 69. پیاده‌سازی چت‌بات‌های هوشمند
• 70. طراحی رابط کاربری برای LLM
• 71. ملاحظات اخلاقی در استفاده از LLM
• 72. سوگیری در مدل‌های زبانی
• 73. شفافیت و قابلیت تفسیر LLM
• 74. امنیت در پیاده‌سازی LLM
• 75. حریم خصوصی داده‌ها در LLM
• 76. کاربرد LLM در آموزش و یادگیری
• 77. تولید محتوای آموزشی با LLM
• 78. شخصی‌سازی فرآیندهای یادگیری
• 79. تولید آزمون و تمرین با LLM
• 80. کمک به پژوهشگران و دانشجویان
• 81. کاربرد LLM در صنعت و کسب‌وکار
• 82. اتوماسیون فرآیندهای اداری
• 83. خدمات مشتریان مبتنی بر LLM
• 84. تحلیل داده‌های بازار با LLM
• 85. بازاریابی محتوا و تولید متن تبلیغاتی
• 86. مقدمه‌ای بر مدل‌های زبانی مولد
• 87. تکنیک‌های تولید متن پیشرفته
• 88. کاربرد LLM در بازی‌سازی
• 89. تولید دیالوگ و روایت در بازی‌ها
• 90. کاربرد LLM در علوم پزشکی
• 91. کمک به تشخیص بیماری‌ها
• 92. تحلیل مقالات علمی پزشکی
• 93. نکات مهم در استقرار LLM در محیط‌های رسمی
• 94. استانداردهای امنیتی در پیاده‌سازی
• 95. چالش‌های نگهداری و به‌روزرسانی LLM
• 96. آینده LLM و تحولات پیش رو
• 97. مدل‌های چندوجهی (Multimodal LLMs)
• 98. یادگیری تقویتی از بازخورد انسانی (RLHF)
• 99. کاربرد LLM در پردازش صدا و تصویر
• 100. جمع‌بندی و چشم‌انداز آینده هوش مصنوعی