کتاب صوتی آموزش پیاده‌سازی و اجرای مدل‌های زبانی کوچک (SLM) با استفاده از Semantic Kernel و #C در محیط‌های محلی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش پیاده‌سازی و اجرای مدل‌های زبانی کوچک (SLM) با استفاده از Semantic Kernel و #C در محیط‌های محلی

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین و پردازش زبان‌های طبیعی (NLP)

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و مدل‌های زبانی کوچک در محیط‌های محلی
• 2. معرفی معماری مدل‌های زبانی کوچک و کاربرد آن‌ها
• 3. آشنایی با کتابخانه Semantic Kernel و نقش آن در توسعه هوش مصنوعی
• 4. نصب و راه‌اندازی محیط توسعه دات‌نت برای پروژه‌های هوش مصنوعی
• 5. مدیریت وابستگی‌ها و بسته‌های NuGet برای یکپارچه‌سازی با مدل‌های محلی
• 6. مفاهیم پایه ONNX Runtime در اجرای مدل‌های یادگیری ماشین
• 7. بارگذاری و پیکربندی مدل‌های زبانی کوچک نظیر Phi-3
• 8. درک ساختار حافظه و پردازش در اجرای مدل‌های محلی بر روی CPU
• 9. مبانی کار با Kernel در Semantic Kernel و اتصالات مدل
• 10. ایجاد یک کلاینت پایه برای ارسال پرسش به مدل‌های محلی
• 11. مدیریت توکن‌ها و محدودیت‌های پنجره متنی در مدل‌های کوچک
• 12. پیاده‌سازی رابط کاربری خط فرمان برای تعامل با مدل
• 13. آشنایی با مفاهیم Prompt Engineering در محیط‌های محلی
• 14. طراحی و مدیریت الگوهای پرسش (Prompt Templates) در Semantic Kernel
• 15. استفاده از قابلیت Semantic Functions برای بهینه‌سازی پاسخ‌ها
• 16. کار با Memory و ذخیره‌سازی دانش در Semantic Kernel
• 17. ایجاد حافظه معنایی (Semantic Memory) با استفاده از بردارها
• 18. یکپارچه‌سازی داده‌های محلی و فایل‌های متنی با مدل زبانی
• 19. تکنیک‌های بهینه‌سازی عملکرد مدل‌های ONNX در سیستم‌های بومی
• 20. مدیریت خطاها و پایداری در فراخوانی مدل‌های محلی
• 21. پیاده‌سازی سیستم‌های گفتگوی متنی با قابلیت حفظ تاریخچه
• 22. استفاده از قابلیت‌های Streaming برای نمایش پاسخ‌های مدل
• 23. تنظیم پارامترهای تولید متن نظیر Temperature و Top-P
• 24. امنیت در اجرای مدل‌های محلی و حفاظت از داده‌های کاربر
• 25. پیاده‌سازی ساختار Plugin در Semantic Kernel برای افزودن قابلیت‌های جانبی
• 26. تعریف توابع بومی (Native Functions) در #C برای تعامل با مدل
• 27. ارتباط بین توابع بومی و مدل‌های زبانی در سناریوهای کاربردی
• 28. توسعه سیستم‌های پرسش و پاسخ بر اساس اسناد متنی (RAG)
• 29. بهینه‌سازی مصرف منابع سخت‌افزاری در پردازش‌های سنگین هوش مصنوعی
• 30. تست و ارزیابی کیفیت پاسخ‌های تولید شده توسط مدل
• 31. استقرار و توزیع برنامه‌های مبتنی بر مدل‌های محلی در محیط‌های ویندوزی
• 32. به‌کارگیری الگوهای طراحی (Design Patterns) در توسعه با Semantic Kernel
• 33. روش‌های عیب‌یابی و لاگ‌گیری در جریان‌های هوش مصنوعی
• 34. مستندسازی و ارائه خروجی‌های استاندارد در پروژه‌های هوش مصنوعی
• 35. آینده مدل‌های زبانی کوچک و نقش آن‌ها در توسعه نرم‌افزار بومی