اکسپرس 24
کتاب استنتاج کارآمد مدل‌های زبانی با LLMOPs و ONNX در C#

کتاب استنتاج کارآمد مدل‌های زبانی با LLMOPs و ONNX در C#

تگ‌ها: C# CPU LLM ONNX Phi3 بهینه‌سازی مدل پردازشگر مرکزی مدل زبانی بزرگ هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنتاج کارآمد مدل‌های زبانی با LLMOPs و ONNX در C#

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: بهینه‌سازی مدل‌های زبانی بزرگ (LLMs)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)
  • 2. مفاهیم پایه یادگیری ماشین
  • 3. آشنایی با یادگیری عمیق
  • 4. شبکه‌های عصبی و معماری‌های آن‌ها
  • 5. مقدمه‌ای بر شبکه‌های ترنسفورمر
  • 6. اجزای اصلی مدل‌های ترنسفورمر
  • 7. تکامل مدل‌های زبانی بزرگ
  • 8. معماری‌های پیشرفته LLM
  • 9. روش‌های آموزش LLM
  • 10. تنظیم دقیق (Fine-tuning) مدل‌های LLM
  • 11. مقدمه‌ای بر استنتاج (Inference) مدل‌های LLM
  • 12. چالش‌های استنتاج LLM
  • 13. بهینه‌سازی استنتاج LLM
  • 14. اهمیت بهینه‌سازی در LLM
  • 15. مقدمه‌ای بر LLMOPs
  • 16. اصول LLMOPs
  • 17. کاربرد LLMOPs در استنتاج
  • 18. معرفی Phi3 Vision 128k Instruct
  • 19. ویژگی‌های Phi3 Vision 128k Instruct
  • 20. ملاحظات امنیتی و اخلاقی در LLMها
  • 21. مقدمه‌ای بر ONNX
  • 22. فرمت ONNX
  • 23. مزایای استفاده از ONNX
  • 24. تبدیل مدل‌های LLM به ONNX
  • 25. فرآیند تبدیل به ONNX
  • 26. استفاده از ONNX Runtime
  • 27. نصب و پیکربندی ONNX Runtime
  • 28. مقدمه‌ای بر زبان برنامه‌نویسی C#
  • 29. ویژگی‌های C# برای توسعه LLM
  • 30. نوشتن کد C# برای استنتاج LLM
  • 31. بارگذاری مدل ONNX در C#
  • 32. اجرای استنتاج با مدل ONNX در C#
  • 33. مدیریت حافظه در استنتاج LLM
  • 34. بهینه‌سازی مصرف حافظه
  • 35. فشرده‌سازی مدل‌ها (Quantization)
  • 36. کوانتیزاسیون 4 بیتی
  • 37. مزایای کوانتیزاسیون 4 بیتی
  • 38. پیاده‌سازی کوانتیزاسیون 4 بیتی در C#
  • 39. استفاده از کتابخانه‌های C# برای کوانتیزاسیون
  • 40. کاهش حجم مدل با کوانتیزاسیون
  • 41. افزایش سرعت استنتاج
  • 42. تکنیک‌های افزایش سرعت
  • 43. موازی‌سازی در استنتاج
  • 44. استفاده از چند هسته پردازشی
  • 45. بهینه‌سازی بر روی CPU
  • 46. مقایسه عملکرد CPU و GPU
  • 47. مزایای استنتاج بر روی CPU
  • 48. سناریوهای استفاده از استنتاج CPU
  • 49. نحوه انتخاب مدل مناسب LLM
  • 50. معیارهای ارزیابی مدل‌های LLM
  • 51. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 52. وظایف رایج NLP
  • 53. کاربرد LLM در NLP
  • 54. آماده‌سازی داده‌ها برای LLM
  • 55. پیش‌پردازش متن
  • 56. تکنیک‌های توکنایزیشن (Tokenization)
  • 57. مقدمه‌ای بر Embeddings
  • 58. نحوه تولید Embeddings
  • 59. استفاده از Embeddings در استنتاج
  • 60. مدیریت Context Window
  • 61. تکنیک‌های مدیریت Context Window
  • 62. حافظه در مدل‌های ترنسفورمر
  • 63. استنتاج چندزبانه
  • 64. چالش‌های استنتاج چندزبانه
  • 65. بهینه‌سازی مدل‌های چندزبانه
  • 66. ارزیابی عملکرد LLM
  • 67. معیارهای کمی و کیفی ارزیابی
  • 68. تست‌های استاندارد LLM
  • 69. شناسایی سوگیری (Bias) در LLMها
  • 70. کاهش سوگیری در مدل‌ها
  • 71. ملاحظات اخلاقی در توسعه LLM
  • 72. مسئولیت‌پذیری در هوش مصنوعی
  • 73. امنیت مدل‌های LLM
  • 74. حملات رایج به LLMها
  • 75. روش‌های دفاع در برابر حملات
  • 76. حریم خصوصی داده‌ها در LLMها
  • 77. قوانین و مقررات مربوط به هوش مصنوعی
  • 78. قوانین داخلی ایران در زمینه هوش مصنوعی
  • 79. مقررات مربوط به محتوای دیجیتال
  • 80. استانداردهای اخلاقی در تولید محتوا
  • 81. پیاده‌سازی LLMOPs در پروژه‌های واقعی
  • 82. تجربه عملی با Phi3 Vision
  • 83. کاربرد ONNX در سیستم‌های تولیدی
  • 84. توسعه برنامه‌های کاربردی با C# و LLM
  • 85. بهینه‌سازی بلادرنگ (Real-time Inference)
  • 86. چالش‌های بهینه‌سازی بلادرنگ
  • 87. راهکارهای بهینه‌سازی بلادرنگ
  • 88. آینده استنتاج LLM
  • 89. روندهای نوظهور در LLMOPs
  • 90. نقش ONNX در اکوسیستم هوش مصنوعی
  • 91. توسعه ابزارهای بهینه‌سازی
  • 92. همکاری با جامعه توسعه‌دهندگان
  • 93. مطالعه موردی: پیاده‌سازی موفق
  • 94. درس‌های آموخته شده از پروژه‌ها
  • 95. نکات کلیدی برای توسعه‌دهندگان
  • 96. مقدمه‌ای بر مفاهیم پیشرفته‌تر LLM
  • 97. معماری‌های نسل جدید LLM
  • 98. روش‌های نوین آموزش LLM
  • 99. کاربردهای خلاقانه LLM
  • 100. تکنیک‌های Prompt Engineering

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.