کتاب صوتی راهنمای جامع برای شروع کار با LLMها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع برای شروع کار با LLMها

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدل‌های زبانی بزرگ (LLMs) - مفاهیم و اصول**

📋 سرفصل‌های دوره

• 1. مدل زبانی بزرگ چیست
• 2. تاریخچهٔ کوتاه پردازش زبان طبیعی
• 3. معماری ترنسفورمر
• 4. مکانیزم توجه (Attention)
• 5. توکن‌سازی و واحدهای زبانی
• 6. پیش‌آموزش و اهداف آموزش
• 7. پارامترها و لایه‌های مدل
• 8. بازهٔ متنی (Context Window)
• 9. فضای برداری و توکن‌بسته‌سازی
• 10. Fine-tuning و تنظیم دقیق
• 11. RLHF و یادگیری از بازخورد انسانی
• 12. مهندسی Prompt — پایه‌ها
• 13. Zero-shot, Few-shot, Chain-of-Thought
• 14. دمای نمونه‌گیری و Top-p/k
• 15. توهم (Hallucination) و ریشه‌های آن
• 16. RAG — تولید تقویت‌شده با بازیابی
• 17. پایگاه‌های دادهٔ برداری
• 18. فریم‌ورک‌های آژانس‌محور (LangChain, LlamaIndex)
• 19. Function Calling و ابزارها
• 20. کار با APIهای LLM
• 21. اجرای محلی مدل‌ها (Ollama, llama.cpp)
• 22. کوانتیزاسیون و فشرده‌سازی مدل
• 23. LoRA و QLoRA
• 24. ارزیابی مدل‌ها: پرپلکسیت و معیارها
• 25. سوگیری و ایمنی مدل
• 26. Alignment و همسوسازی
• 27. مدل‌های چندوجهی (Multimodal)
• 28. تولید کد با LLM
• 29. دیتاست‌های Fine-tuning
• 30. Prompt Template و تقلید نقش
• 31. Parsing خروجی و JSON Mode
• 32. استریم کردن پاسخ‌ها
• 33. بهینه‌سازی هزینه و توکن
• 34. Rate Limiting و مدیریت درخواست
• 35. Prompt Injection و حملات امنیتی
• 36. Jailbreaking و ردیابی آسیب‌ها
• 37. System Prompt و رفتار مدل
• 38. حافظه در برنامه‌های LLM
• 39. آژانس‌های خودکار و Workflow
• 40. سیستم‌های چندآژانسی
• 41. Tool Use و Plugin
• 42. مدل‌های متن‌باز (Llama, Mistral, Qwen)
• 43. مدل‌های سازندهٔ گفتگو (Chat Models)
• 44. مدل‌های ویژهٔ کد (Code LLMs)
• 45. مقایسهٔ مدل‌های مختلف
• 46. Open Source در برابر Closed Source
• 47. GGUF, AWQ, GPTQ — فرمت‌های کوانتیزه
• 48. بهینه‌سازی استنتاج (vLLM, TensorRT)
• 49. Instruction Tuning
• 50. DPO و یادگیری ترجیح مستقیم
• 51. Constitutional AI
• 52. Red Teaming و تست تهاجمی
• 53. Data Poisoning و آلودگی داده
• 54. RAG پیشرفته: فیلتر و رتبه‌بندی
• 55. مدیریت دادهٔ بلند (Long Context)
• 56. MoE — مخلوط خبرگان
• 57. قوانین مقیاس‌پذیری (Scaling Laws)
• 58. نیازمندی‌های محاسباتی
• 59. کوریت‌سازی و توصیف‌دهی دیتاست
• 60. دادهٔ مصنوعی و Synthetic Data
• 61. مدل کارت و مستندسازی
• 62. AI مسئولانه و اخلاق
• 63. ردپای کربن و پایداری
• 64. LLMOps و DevOps برای LLM
• 65. ردیابی و لاگ‌ها (Tracing)
• 66. A/B تست اپلیکیشن‌های LLM
• 67. بازخورد کاربر و بهبود مداوم
• 68. استقرار و Deploy
• 69. مانیتورینگ عملکرد
• 70. موارد کاربردی صنعتی
• 71. ربات گفتگوی هوشمند
• 72. خلاصه‌سازی و استخراج اطلاعات
• 73. ترجمه و بومی‌سازی
• 74. تکمیل کد و دیباگ
• 75. تحلیل احساسات و بازخورد
• 76. جستجوی هوشمند و Chatbot داده
• 77. آموزش و تولید محتوا
• 78. حقوقی و حریم خصوصی
• 79. GDPR و حفاظت از داده
• 80. آیندهٔ LLM و روندهای نوظهور