کتاب استقرار مدل‌های زبان بزرگ (LLMs) با بهینه‌سازی 4 بیتی در پردازنده‌های مرکزی (CPU) با استفاده از C# و ONNX

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 استقرار مدل‌های زبان بزرگ (LLMs) با بهینه‌سازی 4 بیتی در پردازنده‌های مرکزی (CPU) با استفاده از C# و ONNX

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: استقرار مدل‌های زبان بزرگ (LLMs)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
  • 2. اصول اولیه یادگیری ماشین
  • 3. معرفی مدل‌های زبان بزرگ (LLMs)
  • 4. معماری ترنسفورمر و LLMs
  • 5. کاربردها و قابلیت‌های LLMs
  • 6. چالش‌های استقرار LLMs
  • 7. مفهوم استقرار مدل (Model Deployment)
  • 8. اهمیت بهینه‌سازی مدل‌ها
  • 9. مقدمه‌ای بر بهینه‌سازی 4 بیتی
  • 10. مزایای کوانتیزاسیون 4 بیتی
  • 11. معرفی فرمت ONNX
  • 12. مزایای استفاده از ONNX
  • 13. استفاده از ONNX برای LLMs
  • 14. مقدمه‌ای بر زبان برنامه‌نویسی C#
  • 15. کاربرد C# در توسعه نرم‌افزار
  • 16. محیط توسعه Visual Studio
  • 17. مبانی کار با Visual Studio
  • 18. نصب ابزارها و SDK های مورد نیاز
  • 19. تنظیم محیط توسعه برای C# و ONNX
  • 20. آشنایی با مدل Phi-3 4K Instruct
  • 21. ویژگی‌های مدل Phi-3 4K Instruct
  • 22. معماری مدل Phi-3 4K Instruct
  • 23. کاربرد مدل Phi-3 4K Instruct
  • 24. مقدمه‌ای بر استنتاج (Inference)
  • 25. فرآیند استنتاج در LLMs
  • 26. چالش‌های استنتاج در CPU
  • 27. بهینه‌سازی استنتاج برای CPU
  • 28. تکنیک‌های کوانتیزاسیون
  • 29. کوانتیزاسیون 4 بیتی در عمل
  • 30. پیاده‌سازی کوانتیزاسیون 4 بیتی
  • 31. تبدیل مدل به فرمت ONNX
  • 32. استفاده از ابزارهای تبدیل ONNX
  • 33. نحوه وارد کردن مدل ONNX در C#
  • 34. بارگذاری مدل ONNX در برنامه C#
  • 35. مدیریت حافظه در استقرار LLMs
  • 36. بهینه‌سازی مصرف حافظه
  • 37. تکنیک‌های کاهش سربار محاسباتی
  • 38. مدیریت پردازشگر مرکزی (CPU)
  • 39. نظارت بر عملکرد CPU
  • 40. تنظیمات بهینه‌سازی CPU
  • 41. مقدمه‌ای بر API های LLM
  • 42. طراحی API برای استقرار مدل
  • 43. پیاده‌سازی API با ASP.NET Core
  • 44. مدیریت درخواست‌ها و پاسخ‌ها
  • 45. پردازش ورودی‌های متنی
  • 46. تولید خروجی‌های متنی
  • 47. ارزیابی عملکرد مدل مستقر شده
  • 48. معیارهای ارزیابی کیفیت خروجی
  • 49. تست مدل در سناریوهای مختلف
  • 50. مدیریت خطا و استثنائات
  • 51. پیاده‌سازی مکانیزم‌های بازیابی
  • 52. نکات امنیتی در استقرار مدل
  • 53. حفاظت از مدل و داده‌ها
  • 54. ملاحظات اخلاقی در استفاده از LLMs
  • 55. تأثیر LLMs بر جامعه
  • 56. مسئولیت‌پذیری در توسعه هوش مصنوعی
  • 57. مقدمه‌ای بر پلتفرم‌های ابری
  • 58. استقرار LLMs در محیط‌های ابری
  • 59. مزایای استفاده از خدمات ابری
  • 60. مدیریت منابع در محیط ابری
  • 61. بهینه‌سازی هزینه در استقرار ابری
  • 62. معرفی ابزارهای مانیتورینگ
  • 63. نظارت بر سلامت و عملکرد مدل
  • 64. ثبت وقایع (Logging)
  • 65. تحلیل داده‌های ثبت شده
  • 66. بهبود مستمر مدل و استقرار
  • 67. بازخوردگیری از کاربران
  • 68. تکنیک‌های تنظیم دقیق (Fine-tuning)
  • 69. کاربرد تنظیم دقیق برای LLMs
  • 70. مراحل تنظیم دقیق مدل
  • 71. آماده‌سازی داده‌ها برای تنظیم دقیق
  • 72. ارزیابی مدل پس از تنظیم دقیق
  • 73. مدیریت نسخه‌های مختلف مدل
  • 74. سیستم‌های کنترل نسخه برای مدل‌ها
  • 75. استقرار چندین نسخه از مدل
  • 76. جابجایی بین نسخه‌های مدل
  • 77. آشنایی با معماری‌های موازی
  • 78. استفاده از پردازش موازی در C#
  • 79. بهینه‌سازی استنتاج با موازی‌سازی
  • 80. مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
  • 81. کاربرد یادگیری انتقالی در LLMs
  • 82. مفاهیم پیشرفته کوانتیزاسیون
  • 83. تکنیک‌های کوانتیزاسیون پیشرفته
  • 84. مقایسه روش‌های مختلف کوانتیزاسیون
  • 85. اثرات کوانتیزاسیون بر دقت مدل
  • 86. بهینه‌سازی پارامترهای مدل
  • 87. تنظیم پارامترهای ONNX Runtime
  • 88. کاربرد ابزارهای پروفایلینگ
  • 89. شناسایی گلوگاه‌های عملکردی
  • 90. بهینه‌سازی کد C# برای استنتاج
  • 91. الگوهای طراحی نرم‌افزار در استقرار
  • 92. مدیریت وابستگی‌ها
  • 93. ایجاد یک برنامه کاربردی کامل
  • 94. راه اندازی برنامه در محیط عملیاتی
  • 95. پشتیبان‌گیری و بازیابی داده‌ها
  • 96. برنامه‌ریزی برای مقیاس‌پذیری
  • 97. پیش‌بینی نیازهای آینده
  • 98. توسعه مستمر و نگهداری
  • 99. آخرین روندها در LLM و استقرار
  • 100. آینده استنتاج در CPU

📚 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.