کتاب صوتی راهنمای کاربردی مدل‌های زبانی بزرگ (LLMs) با استفاده از کتابخانه‌های Hugging Face

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای کاربردی مدل‌های زبانی بزرگ (LLMs) با استفاده از کتابخانه‌های Hugging Face

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش زبان طبیعی (NLP) و مدل‌های زبانی بزرگ

📋 سرفصل‌های دوره

• 1. مبانی و مفاهیم پایه در هوش مصنوعی و پردازش زبان طبیعی
• 2. معرفی مدل‌های زبانی بزرگ و معماری ترنسفورمر
• 3. آشنایی با اکوسیستم Hugging Face و کتابخانه Transformers
• 4. نصب و راه‌اندازی محیط توسعه برای پروژه‌های پردازش زبان طبیعی
• 5. ساختارهای داده در Hugging Face و مدیریت مجموعه‌داده‌ها
• 6. پیش‌پردازش متن و توکن‌بندی در مدل‌های زبانی
• 7. آشنایی با مدل‌های زبانی از پیش آموزش‌دیده
• 8. کار با مدل‌های زبانی در وظایف طبقه‌بندی متن
• 9. استخراج ویژگی‌های متنی و تعبیه کلمات
• 10. استفاده از پایپ‌لاین‌های Hugging Face برای کاربردهای سریع
• 11. تنظیم دقیق مدل‌های زبانی برای وظایف خاص
• 12. استفاده از کتابخانه Datasets برای مدیریت داده‌های آموزشی
• 13. پیاده‌سازی مدل‌های پرسش و پاسخ متنی
• 14. مدل‌های خلاصه‌سازی خودکار متن و کاربردهای آن
• 15. تولید متن با استفاده از مدل‌های زبانی مولد
• 16. استفاده از مدل‌های چندزبانه و پشتیبانی از زبان فارسی
• 17. ارزیابی عملکرد مدل‌های زبانی با استفاده از معیارهای استاندارد
• 18. بهینه‌سازی مدل‌های زبانی برای اجرای سریع‌تر
• 19. فشرده‌سازی مدل‌ها و کاهش حجم برای محیط‌های عملیاتی
• 20. استفاده از شتاب‌دهنده‌های سخت‌افزاری برای آموزش مدل‌ها
• 21. تکنیک‌های یادگیری با داده‌های کم برای مدل‌های زبانی
• 22. استفاده از یادگیری تقویتی با بازخورد انسانی در تنظیم مدل
• 23. اخلاق در هوش مصنوعی و رعایت حریم خصوصی در داده‌های متنی
• 24. مدیریت سوگیری‌های احتمالی در مدل‌های زبانی
• 25. پیاده‌سازی مدل‌های زبانی در محیط‌های تولیدی
• 26. استفاده از کتابخانه Accelerate برای توزیع آموزش مدل‌ها
• 27. کار با مدل‌های زبانی بزرگ در فضای ابری
• 28. مستندسازی و اشتراک‌گذاری مدل‌ها در Hugging Face Hub
• 29. توسعه برنامه‌های کاربردی با استفاده از مدل‌های زبانی
• 30. آشنایی با مدل‌های زبانی تخصصی در حوزه‌های علمی
• 31. به‌کارگیری مدل‌های زبانی در تحلیل متون اقتصادی و بانکی
• 32. مدیریت حافظه در کار با مدل‌های زبانی بزرگ
• 33. استفاده از تکنیک‌های Prompt Engineering در کاربردهای عملی
• 34. ترکیب مدل‌های زبانی با پایگاه‌های داده دانش
• 35. پایش و نظارت بر مدل‌های زبانی در محیط عملیاتی
• 36. رفع خطا و دیباگ کردن مدل‌های زبانی
• 37. تکنیک‌های کاهش توهم در پاسخ‌های مدل‌های زبانی
• 38. آینده هوش مصنوعی و مدل‌های زبانی در ایران
• 39. پروژه نهایی طراحی یک سامانه هوشمند متنی
• 40. اصول نگهداری و به‌روزرسانی مدل‌های زبانی در طول زمان