اکسپرس 24
کتاب تکنیک‌های فشرده‌سازی و انتخاب اطلاعات برای پنجره زمینه طولانی

کتاب تکنیک‌های فشرده‌سازی و انتخاب اطلاعات برای پنجره زمینه طولانی

تگ‌ها: Context Compression Context Selection Context Window Large Language Models LLM LLMLingua Long Context LongLLMLingua Prompt Compression RAG Retrieval Augmented Generation Token Compression Token Selection مدل‌های زبانی بزرگ هوش مصنوعی

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 تکنیک‌های فشرده‌سازی و انتخاب اطلاعات برای پنجره زمینه طولانی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تکنیک‌های Long Context Window

📋 سرفصل‌های دوره

  • 1. مبانی پنجره زمینه طولانی و مسئله محدودیت بودجه توکن
  • 2. هزینه محاسباتی و حافظه‌ای پردازش زمینه‌های طولانی
  • 3. مفهوم Information Density در متن‌های طولانی
  • 4. تفاوت فشرده‌سازی زمینه، انتخاب زمینه و خلاصه‌سازی
  • 5. معیارهای سنجش ارزش اطلاعات در پنجره زمینه
  • 6. ارتباط Relevance، Redundancy و Information Gain
  • 7. تحلیل ساختار توکن‌ها و واحدهای قابل فشرده‌سازی
  • 8. فشرده‌سازی سخت و فشرده‌سازی نرم Prompt
  • 9. انتخاب توکن‌های مهم با روش‌های مبتنی بر امتیازدهی
  • 10. Token Pruning و حذف توکن‌های کم‌اهمیت
  • 11. Token Merging و ادغام اطلاعات توکن‌ها
  • 12. Sentence-Level Compression و انتخاب جملات کلیدی
  • 13. Paragraph-Level Compression برای اسناد طولانی
  • 14. Document-Level Selection در مجموعه اسناد
  • 15. استخراج اطلاعات کلیدی پیش از ورود به Context
  • 16. Query-Aware Context Selection
  • 17. فشرده‌سازی وابسته به پرس‌وجو
  • 18. فشرده‌سازی مستقل از پرس‌وجو
  • 19. Relevance Scoring برای انتخاب بخش‌های Context
  • 20. رتبه‌بندی قطعات متن با Embedding Similarity
  • 21. استفاده از Dense Retrieval برای انتخاب اطلاعات
  • 22. استفاده از Sparse Retrieval برای کاهش حجم Context
  • 23. ترکیب Retrieval و Context Compression
  • 24. Reranking برای حذف اطلاعات کم‌ارزش
  • 25. Contextual Compression در سیستم‌های RAG
  • 26. LLMLingua و اصول Prompt Compression
  • 27. LLMLingua-2 و فشرده‌سازی مبتنی بر مدل زبانی
  • 28. LongLLMLingua برای بهینه‌سازی Contextهای طولانی
  • 29. Selective Context و حذف توکن‌های زائد
  • 30. فشرده‌سازی مبتنی بر Perplexity و Information Content
  • 31. استفاده از Language Model کوچک برای امتیازدهی توکن‌ها
  • 32. فشرده‌سازی مبتنی بر Entropy و Self-Information
  • 33. فشرده‌سازی مبتنی بر Semantic Similarity
  • 34. حذف اطلاعات تکراری با Semantic Deduplication
  • 35. تشخیص و حذف جملات و قطعات تکراری
  • 36. Clustering برای گروه‌بندی و فشرده‌سازی اطلاعات مشابه
  • 37. Graph-Based Context Compression
  • 38. فشرده‌سازی چندمرحله‌ای Context
  • 39. Hierarchical Context Compression
  • 40. انتخاب اطلاعات در معماری‌های Multi-Document
  • 41. فشرده‌سازی اسناد طولانی برای Question Answering
  • 42. فشرده‌سازی Context برای خلاصه‌سازی متون طولانی
  • 43. فشرده‌سازی Context برای تحلیل اسناد
  • 44. فشرده‌سازی Context برای پردازش کدهای طولانی
  • 45. انتخاب بخش‌های مرتبط از Repositoryهای بزرگ کد
  • 46. مدیریت Context در مکالمات طولانی
  • 47. Conversation History Compression
  • 48. خلاصه‌سازی تاریخچه مکالمه با حفظ اطلاعات مهم
  • 49. حفظ Facts، Constraints و User Intent در فشرده‌سازی مکالمه
  • 50. فشرده‌سازی حافظه بلندمدت Agentها
  • 51. ترکیب Memory و Context Compression در Agentها
  • 52. Budget-Aware Context Selection
  • 53. تخصیص پویا و تطبیقی بودجه توکن
  • 54. انتخاب Top-K اطلاعات تحت محدودیت توکن
  • 55. بهینه‌سازی نسبت Compression Ratio و کیفیت پاسخ
  • 56. حفظ اطلاعات حیاتی در فشرده‌سازی شدید
  • 57. جلوگیری از حذف اطلاعات وابسته و غیرمستقیم
  • 58. حفظ ارتباط میان بخش‌های پراکنده Context
  • 59. مدیریت اطلاعات وابسته به ترتیب و موقعیت
  • 60. مشکل Lost in the Middle در Contextهای طولانی
  • 61. Reordering اطلاعات برای بهبود استفاده از Context
  • 62. انتخاب و مرتب‌سازی قطعات Retrieved Context
  • 63. مقابله با Hard Negativeها در Context طولانی
  • 64. فشرده‌سازی چندزبانه و تفاوت‌های زبانی
  • 65. تأثیر Tokenization بر کارایی فشرده‌سازی
  • 66. فشرده‌سازی متن فارسی و چالش‌های آن
  • 67. فشرده‌سازی بدون تغییر معنای اصلی
  • 68. حفظ Entailment و Faithfulness پس از فشرده‌سازی
  • 69. کنترل Hallucination ناشی از حذف اطلاعات
  • 70. فشرده‌سازی با استفاده از LLM به‌عنوان Compressor
  • 71. فشرده‌سازی با مدل‌های کوچک‌تر و ارزان‌تر
  • 72. Prompt-Based Context Compression
  • 73. Fine-Tuned Context Compressor
  • 74. Knowledge Distillation برای فشرده‌سازی Context
  • 75. فشرده‌سازی ترکیبی مبتنی بر Retrieval و Generation
  • 76. آموزش مدل برای انتخاب اطلاعات مهم
  • 77. Learning-to-Rank برای Context Selection
  • 78. Reinforcement Learning برای بهینه‌سازی انتخاب Context
  • 79. فشرده‌سازی تطبیقی بر اساس نوع پرس‌وجو
  • 80. انتخاب متفاوت Context برای پرسش‌های تک‌مرحله‌ای و چندمرحله‌ای
  • 81. Context Compression برای Multi-Hop Reasoning
  • 82. حفظ زنجیره استدلال در فشرده‌سازی اطلاعات
  • 83. فشرده‌سازی اطلاعات ساختاریافته و جدول‌ها
  • 84. فشرده‌سازی JSON، Metadata و داده‌های نیمه‌ساختاریافته
  • 85. فشرده‌سازی مستندات فنی و دانش سازمانی
  • 86. معماری Pipeline برای Context Selection و Compression
  • 87. پیاده‌سازی Context Compressor در یک سیستم RAG
  • 88. طراحی راهبرد چندمرحله‌ای Retrieval تا Compression
  • 89. کش‌کردن نتایج فشرده‌سازی برای کاهش هزینه
  • 90. اندازه‌گیری Latency و هزینه استنتاج پس از فشرده‌سازی
  • 91. ارزیابی Accuracy قبل و بعد از Compression
  • 92. بنچمارک‌های Long-Context و ارزیابی انتخاب اطلاعات
  • 93. Needle-in-a-Haystack برای ارزیابی بازیابی اطلاعات
  • 94. ارزیابی Recall اطلاعات حیاتی پس از Compression
  • 95. ارزیابی کیفیت معنایی Context فشرده‌شده
  • 96. مقایسه روش‌های Token، Sentence و Document Compression
  • 97. مقایسه روش‌های Extractive و Abstractive Compression
  • 98. طراحی استراتژی بهینه فشرده‌سازی برای سناریوهای مختلف
  • 99. پروژه نهایی: ساخت سامانه انتخاب و فشرده‌سازی Context برای LLM

📚 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.