دوره آموزشی
دوبله زبان فارسی
تسلط به LLMs - Generative AI، مهندسی پرامپت و موارد دیگر
✅ سرفصل و جزئیات آموزش
این دوره یک راهنمای کامل برای ساخت و استقرار هوش مصنوعی مولد می باشد.
آنچه یاد خواهید گرفت:
- بنیاد و پایه محکمی در برنامه نویسی پایتون ایجاد کنید تا مفاهیم و کاربردهای هوش مصنوعی را به طور موثر پیاده سازی کنید.
- کل پایپ لاین پردازش زبان طبیعی را از پیش پردازش داده تا استقرار مدل درک کنید.
- یاد بگیرید که مدل های ترانسفورمر چگونه تسک های پردازش زبان طبیعی را متحول می کنند و چگونه از آنها برای کاربردهای مختلف استفاده کنید.
- اصول مدل های زبان بزرگ و کاربردهای آنها در تسک های تولیدی را بررسی کنید.
- تجربه عملی با تولید تقویت شده با بازیابی و Langchain برای ساخت اپلیکیشن های پیشرفته هوش مصنوعی کسب کنید.
- مهارت های ساخت پرامپت های موثر برای بهینه سازی عملکرد مدل و دستیابی به خروجی های مورد نظر را توسعه دهید.
- یاد بگیرید که چگونه از پایگاه های داده برداری برای ذخیره و بازیابی کارآمد تعبیه ها در پروژه های هوش مصنوعی استفاده کنید.
توضیحات دوره
در این دوره، شما طیف گسترده ای از موضوعات ضروری را بررسی خواهید کرد، از جمله:
- برنامه نویسی پایتون: اصول پایتون، زبان اصلی توسعه هوش مصنوعی، را بیاموزید و در استفاده از کتابخانه هایی مانند Pandas و NumPy برای دستکاری داده مهارت پیدا کنید.
- پردازش زبان طبیعی (NLP): به دنیای NLP وارد شوید و به تکنیک های پردازش متن، استخراج ویژگی و استفاده از کتابخانههای قدرتمند مانند NLTK و SpaCy تسلط پیدا کنید.
- یادگیری عمیق و ترانسفورماتورها: معماری مدل های ترانسفورماتور را درک کنید که قلب بسیاری از کاربردهای پیشرفته هوش مصنوعی هستند. اصول یادگیری عمیق و نحوه پیاده سازی شبکه های عصبی با استفاده از TensorFlow و PyTorch را کشف کنید.
- مدل های زبان بزرگ (LLMs): بینش خود را در مورد LLMs، فرآیندهای آموزش و Fine-tuning آنها افزایش دهید. یاد بگیرید که چگونه از این مدل ها به طور مؤثر در اپلیکیشن های مختلف، از چتبات ها تا تولید محتوا، استفاده کنید.
- تولید تقویتشده با بازیابی (RAG): مفهوم نوآورانه RAG را که تکنیک های بازیابی را با مدل های تولید ترکیب می کند تا عملکرد هوش مصنوعی را بهبود بخشد، بررسی کنید.
- مهندسی پرامپت: هنر تدوین پرامپت های مؤثر برای بهبود تعامل با LLMs و بهینهسازی خروجی برای تسک های خاص را بیاموزید.
- پایگاه های داده برداری: کشف کنید که چگونه پایگاه های داده برداری برای ذخیره و بازیابی داده با ابعاد بالا، یک مهارت حیاتی در مدیریت محتوای تولید شده توسط هوش مصنوعی را استفاده کرده و آنها را پیاده سازی کنید.
این دوره برای چه کسانی مناسب است:
- افرادی که به AI و ML علاقه دارند و می خواهند دانش و مهارت های خود را در زمینه اپلیکیشن های Generative AI گسترش دهند.
- متخصصانی که به دنبال ارتقای تخصص خود در ساخت و استقرار مدل های Generative AI هستند.
- توسعه ذهندگانی که به یکپارچه سازی قابلیت های پیشرفته AI یا هوش مصنوعی در اپلیکیشن های خود و یادگیری در مورد استقرار و بهینه سازی مدل های هوش مصنوعی علاقه دارند.
تسلط به LLMs - Generative AI، مهندسی پرامپت و موارد دیگر
-
مقدمه 02:03
-
مقدمه 04:57
-
انواع داده و عملگرها 21:49
-
متغیرها و کلمات کلیدی 19:54
-
لیست ها 27:51
-
تاپل ها 24:57
-
مجموعه ها 12:45
-
دیکشنری 17:39
-
حلقه ها و Iterations 19:16
-
توابع در پایتون 23:31
-
توابع Reduce ،Map و Filter 30:15
-
مدیریت فایل 19:19
-
ساختارهای کنترل 09:39
-
مفاهیم برنامه نویسی شی گرا 20:42
-
پانداس 34:13
-
NumPy 28:33
-
مصورسازی داده 06:12
-
Matplotlib 26:37
-
Seaborn 19:10
-
مقدمه 06:57
-
مقدمه (قسمت 2) 06:08
-
چالش های کلیدی NLP 09:02
-
زبان شناسی 07:08
-
Case Folding 04:53
-
حذف کاراکتر ویژه 14:17
-
مدیریت اختصارات 10:01
-
توکن سازی 05:55
-
حذف کلمات توقف 07:09
-
nGrams 08:34
-
مجسم سازی 04:47
-
تعبیه سازی های کلمه 02:37
-
مجموعه کلمات (تئوری) 09:48
-
مجموعه کلمات (عملی) 19:00
-
TF-IDF (تئوری) 12:18
-
TF-IDF (عملی) 21:19
-
بخشی از تگ گذاری گفتار و NER 12:42
-
شناسایی انتیتی نامگذاری شده (عملی) 12:46
-
معرفی Word2Vec 06:18
-
Word2Vec - قسمت 2 03:24
-
Word2Vec از پیش آموزش دیده 07:34
-
شهود Word2Vec 08:50
-
ویژگی های Word2Vec 50 10:01
-
Word2Vec CBOW 19:10
-
Word2Vec SkipGrams 11:23
-
GloVe 18:04
-
fastText 11:58
-
شباهت کسینوسی 18:22
-
LSTM - قسمت 1 19:25
-
LSTM - قسمت 2 (معماری) 16:19
-
LSTM - قسمت 3 (معماری Deep Dive) 06:53
-
LSTM - قسمت 4 (عملیات نقطه ای) 06:19
-
LSTM - قسمت 5 - forgetGate 12:45
-
LSTM - قسمت 6 - inputGate 18:29
-
LSTM - قسمت 7 - outputGate 09:38
-
LSTM - قسمت 8 - عملی 33:39
-
LSTM - قسمت 9 - عملی 17:20
-
LSTM - قسمت 10 - عملی 13:22
-
GRU - قسمت 1 05:16
-
GRU - قسمت 2 25:48
-
GRU - قسمت 3 (resetGate) 08:39
-
GRU - قسمت 4 (updateGate) 09:47
-
GRU - قسمت 5 - عملی 12:07
-
RNN دو جهته 27:14
-
به ماژول در DL خوش آمدید 01:51
-
درک یادگیری عمیق 05:58
-
نورون چیست؟ 08:48
-
توابع فعال سازی 05:12
-
تابع پله 06:48
-
تابع خطی 13:32
-
تابع سیگموئید 07:06
-
تابع تانژانت 03:35
-
تابع ReLU 10:18
-
مقایسه پس انتشار با گذر به جلو 15:42
-
گرادیان کاهشی 07:32
-
شهود ANN 04:33
-
ANN (عملی) 15:25
-
ANN (بهینه سازی هایپر پارامتر) 12:37
-
CNN - مراحل در CNN 12:19
-
CNN - CNN چیست؟ 08:07
-
CNN - توضیح معماری 17:21
-
CNN - تقویت تصویر 14:40
-
CNN - مقایسه اندازه بچ با تکرارها و Epochs 09:19
-
CNN - پیاده سازی کد CNN 21:21
-
CNN - خلاصه مدل و پارامترها 08:14
-
CNN - پروژه عملی (طبقه بندی تصویر XRAY) 17:53
-
RNN - مبانی 06:52
-
RNN - انواع RNN 05:18
-
RNN - مقایسه مشکل گرادیان ناپدید شونده و انفجاری 12:53
-
LSTMs - RNN 05:55
-
LSTMs - RNN (عملی) 11:13
-
مدل های از پیش آموزش دیده (تئوری) 22:37
-
مدل های از پیش آموزش دیده (عملی) 23:23
-
VGG16 09:47
-
MobileNet 05:40
-
یادگیری انتقالی 07:30
-
پروژه نهایی همراه با Streamlit 15:13
-
انواع ترانسفورماتورها 19:43
-
ترانسفورماتورها چیست؟ 33:08
-
توجه به خود تنها چیزی است که نیاز دارید 27:25
-
معماری Encoder 09:10
-
تعبیه های مربوط به کانتکس 05:39
-
معماری Decoder 05:29
-
آشنایی با BERT 13:33
-
پیکربندی های BERT 03:46
-
Fine Tuning برای BERT 03:48
-
پیش تمرین BERT (LM ماسک شده) 08:37
-
تعبیه های ورودی BERT 09:13
-
مقایسه ARLM با AELM 06:23
-
RoBERTa 09:26
-
DistilBERT 13:48
-
AlBERT 14:20
-
آشنایی با GPT 05:44
-
معماری GPT 05:21
-
GPT (توجه چند سر ماسک شده) 11:49
-
بلوک های GPT 07:21
-
آموزش GPT 09:37
-
پنجره کانتکس 10:58
-
Prompt چیست؟ 10:50
-
مهندسی Prompt 18:25
-
Prompt Tuning 06:58
-
ساختارهای پرامپت 13:25
-
آشنایی با RAGs 01:36
-
RAGs - چیست و چرا 19:03
-
RAGs - موارد استفاده 16:45
-
RAGs - مقاله پژوهشی 05:43
-
معماری RAGs همراه با معماری VectorDB 19:07
-
RAGs - معماری دقیق 12:44
-
RAGs - چت بات مبتنی بر مقاله تحقیقاتی با استفاده از Open AI (عملی) 33:56
-
LangChain 10:31
-
آشنایی با مهندسی Prompt 11:05
-
انواع پرامپت کردن 13:51
-
چند محدودیت شات 07:18
-
پرامپت سازی زنجیره افکار 06:54
-
پایگاه های برداری 13:00
-
مقایسه شاخص برداری با پایگاه داده برداری 08:04
-
Vector db چگونه کار می کند؟ 10:43
-
پایگاه داده برداری (عملی) 30:41
-
LSH 14:29
-
مقدمه 07:27
-
آشنایی با فلسک 12:41
-
اپلیکیشن اساسی فلسک 12:37
-
ساخت مدل (سرطان سینه) 15:55
-
اپلیکیشن فلسک (سرطان سینه) 22:23
-
نقش ابر در استقرار (AWS) 09:52
-
استقرار AWS 28:51
-
تحقیق در مورد RAG Chatbot 33:56
-
چت بات Chat Scholar همراه با سیستم درجه بندی مقاله 46:28
-
پردازش ادعاهای بیمه با استفاده از هوش مصنوعی 47:27
مشخصات آموزش
تسلط به LLMs - Generative AI، مهندسی پرامپت و موارد دیگر
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:148
- مدت زمان :33:44:27
- حجم :17.87GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy