اکسپرس 24
کتاب تبدیل و بهینه‌سازی مدل‌های زبان بزرگ (LLMs) برای اجرا در محیط‌های مختلف

کتاب تبدیل و بهینه‌سازی مدل‌های زبان بزرگ (LLMs) برای اجرا در محیط‌های مختلف

تگ‌ها: GGUF LLaMA.cpp LLM MLOps بهینه‌سازی مدل تبدیل مدل مایکروسافت فی۳ مدل زبان 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 تبدیل و بهینه‌سازی مدل‌های زبان بزرگ (LLMs) برای اجرا در محیط‌های مختلف

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: مهندسی مدل‌های زبان بزرگ (LLMs)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. مبانی یادگیری ماشین
  • 3. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
  • 4. شبکه‌های عصبی مصنوعی
  • 5. مقدمه‌ای بر یادگیری عمیق
  • 6. معماری‌های شبکه‌های عصبی
  • 7. شبکه‌های عصبی کانولوشنال (CNN)
  • 8. شبکه‌های عصبی بازگشتی (RNN)
  • 9. مقدمه‌ای بر مدل‌های زبان بزرگ (LLMs)
  • 10. معماری ترنسفورمر
  • 11. مکانیزم توجه (Attention Mechanism)
  • 12. مدل‌های پیش‌آموزش‌دیده
  • 13. مفاهیم کلیدی در LLMs
  • 14. کاربرد LLMs در پردازش زبان طبیعی (NLP)
  • 15. خانواده مدل‌های GPT
  • 16. خانواده مدل‌های BERT
  • 17. مقدمه‌ای بر MLOps
  • 18. اهمیت MLOps در چرخه عمر مدل‌های یادگیری ماشین
  • 19. مراحل MLOps
  • 20. جمع‌آوری و آماده‌سازی داده
  • 21. مهندسی ویژگی
  • 22. آموزش مدل
  • 23. ارزیابی مدل
  • 24. تنظیم ابرپارامترها
  • 25. استقرار مدل
  • 26. نظارت بر مدل
  • 27. مدیریت نسخه مدل
  • 28. اتوماسیون در MLOps
  • 29. ابزارهای MLOps
  • 30. مقدمه‌ای بر تبدیل مدل
  • 31. فرمت‌های مختلف مدل‌های یادگیری ماشین
  • 32. فرمت GGUF چیست؟
  • 33. مزایای فرمت GGUF
  • 34. کاربرد GGUF در اجرای LLMs
  • 35. تبدیل مدل‌های LLM به فرمت GGUF
  • 36. معرفی LLaMA.cpp
  • 37. نصب و راه‌اندازی LLaMA.cpp
  • 38. کامپایل LLaMA.cpp
  • 39. استفاده از LLaMA.cpp برای اجرای مدل‌ها
  • 40. تبدیل مدل Microsoft Phi-3 به GGUF
  • 41. مراحل پیش‌پردازش برای تبدیل
  • 42. انتخاب ابزار مناسب برای تبدیل
  • 43. فرآیند تبدیل مدل Phi-3
  • 44. اعتبارسنجی مدل تبدیل شده
  • 45. بهینه‌سازی مدل‌های زبان بزرگ
  • 46. تکنیک‌های کوانتیزاسیون (Quantization)
  • 47. انواع کوانتیزاسیون
  • 48. مزایای کوانتیزاسیون
  • 49. پیاده‌سازی کوانتیزاسیون با LLaMA.cpp
  • 50. بهینه‌سازی حافظه
  • 51. بهینه‌سازی سرعت اجرا
  • 52. تکنیک‌های حذف پارامترهای غیرضروری
  • 53. فشرده‌سازی مدل
  • 54. کاربرد مدل‌های بهینه‌سازی شده
  • 55. اجرای LLMs بر روی سخت‌افزارهای محدود
  • 56. اجرای LLMs بر روی دستگاه‌های موبایل
  • 57. اجرای LLMs بر روی کامپیوترهای شخصی
  • 58. اجرای LLMs بر روی سرورهای ابری
  • 59. مقایسه عملکرد مدل‌های مختلف
  • 60. معیارهای ارزیابی عملکرد مدل
  • 61. اندازه‌گیری دقت و سرعت
  • 62. تحلیل مصرف منابع
  • 63. نظارت بر عملکرد مدل در محیط عملیاتی
  • 64. شناسایی انحراف داده (Data Drift)
  • 65. شناسایی انحراف مفهوم (Concept Drift)
  • 66. استراتژی‌های بازآموزی مدل
  • 67. مدیریت چرخه عمر مدل‌های LLM
  • 68. مستندسازی مدل‌ها
  • 69. کنترل دسترسی و امنیت مدل‌ها
  • 70. قوانین و مقررات مربوط به هوش مصنوعی
  • 71. اخلاق در توسعه و استفاده از هوش مصنوعی
  • 72. مسئولیت‌پذیری در هوش مصنوعی
  • 73. ملاحظات امنیتی در LLMs
  • 74. حفاظت از داده‌ها و حریم خصوصی
  • 75. پیاده‌سازی LLMs در کاربردهای عملی
  • 76. توسعه چت‌بات‌های هوشمند
  • 77. سیستم‌های توصیه‌گر مبتنی بر LLM
  • 78. تولید محتوا با LLMs
  • 79. ترجمه ماشینی پیشرفته
  • 80. خلاصه‌سازی متون با LLMs
  • 81. تحلیل احساسات با LLMs
  • 82. کاربردهای LLMs در صنعت
  • 83. کاربردهای LLMs در آموزش
  • 84. کاربردهای LLMs در پژوهش
  • 85. آینده LLMs و MLOps
  • 86. روندهای نوظهور در LLMs
  • 87. چالش‌های پیش رو در MLOps
  • 88. توسعه ابزارهای خودکار MLOps
  • 89. اهمیت همکاری بین تیم‌های توسعه و عملیات
  • 90. نقش جامعه متن‌باز در پیشرفت LLMs
  • 91. آموزش مداوم و به‌روزرسانی دانش
  • 92. کارگاه عملی: تبدیل و بهینه‌سازی یک مدل LLM
  • 93. پروژه نهایی: پیاده‌سازی یک pipeline MLOps برای LLM
  • 94. ارائه نتایج پروژه
  • 95. جمع‌بندی مباحث دوره

📚 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.