اکسپرس 24
کتاب شبکه‌های عصبی برای درک مطلب و تولید متن

کتاب شبکه‌های عصبی برای درک مطلب و تولید متن

تگ‌ها: LLM RAG Transformer ارزیابی مدل بهینه‌سازی مدل پردازش زبان طبیعی تولید متن درک مطلب شبکه‌های عصبی فاین‌تونیگ مدل‌های زبانی بزرگ مکانیسم توجه هوش مصنوعی یادگیری انتقالی یادگیری عمیق

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 شبکه‌های عصبی برای درک مطلب و تولید متن

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: شبکه‌های عصبی مصنوعی (Artificial Neural Networks)

📋 سرفصل‌های دوره

  • 1. مفاهیم پایهٔ شبکه‌های عصبی مصنوعی
  • 2. نورون مصنوعی، لایه‌ها و جریان داده
  • 3. انتخاب تابع فعال‌سازی
  • 4. انتشار رو به جلو و استخراج پیش‌بینی
  • 5. تعریف تابع هدف و خطا
  • 6. بازگشت خطا و محاسبهٔ گرادیان
  • 7. نقش گرادیان نزولی در آموزش
  • 8. بهینه‌سازهای SGD و خانوادهٔ آن‌ها
  • 9. پیشگیری از بیش‌برازش
  • 10. نرمال‌سازی دسته‌ای و لاینرم
  • 11. راه‌اندازی وزن‌ها و پایداری آموزش
  • 12. طراحی مجموعه‌داده، تقسیم‌بندی و افزایش داده
  • 13. نمایندگی واژگان با Embedding
  • 14. Embeddingهای زمینه‌مند
  • 15. کدگذاری موقعیت
  • 16. Tokenization و مدل‌های زیرواژه‌ای
  • 17. مدل‌های دنباله‌ای RNN، LSTM و GRU
  • 18. محدودیت پردازش ترتیبی و نیاز به توجه
  • 19. توجه مقیاس‌پذیر
  • 20. Self-attention و محاسبهٔ شباهت زمینه‌ای
  • 21. توجه چندسر و نمایش چندوجهی ویژگی‌ها
  • 22. معماری Encoder-only Transformer
  • 23. معماری Decoder-only Transformer
  • 24. معماری Encoder–Decoder Transformer
  • 25. نقش Residual Connection و Layer Normalization
  • 26. نشانگرهای ماسک در پردازش دنباله
  • 27. مقیاس‌گذاری عمق، پهنای شبکه و منابع محاسباتی
  • 28. هدف آموزش مدل زبانی با پیش‌بینی توکن بعدی
  • 29. پیش‌بینی Masked Tokens و آموزش Encoder
  • 30. مدل‌سازی Sequence-to-Sequence و توجه متقاطع
  • 31. ساخت و پاک‌سازی داده‌های آموزشی
  • 32. تأثیر کیفیت، تنوع و توازن داده
  • 33. آموزش مقیاس‌بنا و مدیریت حافظه
  • 34. پایداری همگرایی، نرخ یادگیری و نویز
  • 35. یادگیری انتقالی از پیش‌آموزش تا کاربرد
  • 36. فاین‌تونیگ نظارت‌شده برای وظایف خاص
  • 37. فاین‌تونیگ دستورمحور و همسوسازی پاسخ
  • 38. روش‌های کم‌هزینهٔ Fine-tuning مانند LoRA
  • 39. تطبیق دامنه و یادگیری مستمر
  • 40. تنظیم هیپرپارامترهای آموزش
  • 41. استنتاج کارآمد با Cache و بهینه‌سازی حافظه
  • 42. مدل‌های درک مطلب و استخراج معنا از متن
  • 43. طبقه‌بندی متن و تحلیل احساسات
  • 44. برداشت نام‌های خاص و برچسب‌گذاری ساختارمند
  • 45. پاسخ‌گویی سؤال‌محور، استخراجی و مولد
  • 46. تشخیص رابطهٔ استنتاجی میان متن‌ها
  • 47. سنجش شباهت و هم‌معنایی معنایی
  • 48. ارزیابی دقت، فراخوانی و F1 در درک مطلب
  • 49. سنجش پایداری در برابر ابهام و جابه‌جایی دامنه
  • 50. خطاهای سیستماتیک در مدل‌های درک مطلب
  • 51. تولید خودتنفسی و مدل‌سازی توزیع متن
  • 52. راهبردهای Decoding: Greedy، Beam و Sampling
  • 53. کنترل تصادمی‌بودن با Temperature و Top-p
  • 54. تولید ساختاریافته و خروجی قیدشده
  • 55. مهندسی Prompt و مدیریت زمینه
  • 56. افزایش پنجرهٔ زمینه و مدل‌های Long-context
  • 57. بازجست‌وجوی تقویت‌شده با مدل (RAG)
  • 58. کاهش توهم و بهبود واقع‌محوری
  • 59. خلاصه‌سازی، بازنویسی و گفت‌وگوی چندمرحله‌ای
  • 60. ارزیابی روان‌بودن، صحت و کامل‌بودن متن
  • 61. ارزیابی انسانی و مقایسهٔ مدل‌های مولد
  • 62. کاهش سوگیری، محتوای مضر و ریسک‌های همسوسازی
  • 63. حفاظت از حریم خصوصی و نشت داده‌های آموزشی
  • 64. پایداری در برابر حمله‌های Adversarial و Prompt Injection
  • 65. تفسیرپذیری، تحلیل Attention و محدودیت آن
  • 66. عیب‌یابی شکست‌های مدل با تحلیل نمونه
  • 67. فشرده‌سازی، Quantization و Distillation
  • 68. مهندسی سرویس، Latency و Throughput
  • 69. مانیتورینگ Drift و بازخورد کاربران
  • 70. طراحی، آموزش و ارزیابی یک پایپ‌لاین کامل

📚 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.