آموزش NVIDIA GenAI و LLMs: یادگیری و قبولی در گواهینامه NCA-GENL
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- اصول Generative AI و LLMها را شامل معماری مدل، آموزش و استقرار با استفاده از فناوریهای NVIDIA درک کنید.
- با تسلط به مفاهیم کلیدی، کاربردهای عملی و بهترین شیوههای صنعت در Generative AI، برای گواهینامه NCA-GENL آماده شوید.
- دانش عملی از استک، فریمورکها و ابزارهای NVIDIA که مدلهای زبانی بزرگ و اپلیکیشن های Generative AI را نیرو میدهند، به دست آورید.
- مهارتهای طراحی، پیادهسازی و بهینهسازی گردش کارهای GenAI را توسعه دهید و برای پروژههای واقعی هوش مصنوعی و یادگیری ماشین آماده شوید.
پیشنیازهای دوره
- درک اولیه از Generative AI و مدلهای زبانی بزرگ
توضیحات دوره
NVIDIA GenAI و LLMها: یادگیری و قبولی در گواهینامه NCA-GENL
Generative AI و مدلهای زبانی بزرگ (LLM) در حال تغییر نحوه ساخت نرمافزار، نحوه عملکرد کسبوکارها و رشد مشاغل هستند. این یک دوره مبتدی تا متوسط است که برای کمک به شما در درک عمیق Generative AI و در عین حال آمادهسازی با اطمینان برای آزمون NVIDIA Certified Associate – Generative AI and LLMs (NCA-GENL) طراحی شده است.
این دوره از راهنمای رسمی آزمون و برنامه درسی NVIDIA پیروی میکند و تضمین میکند که هر موضوعی که یاد میگیرید مستقیماً با اهداف گواهینامه همسو باشد - در عین حال مهارتهای عملی و واقعی GenAI را فراتر از آمادهسازی آزمون ایجاد میکند.
آنچه خواهید آموخت
- اصول اصلی Generative AI و LLM، شامل ترانسفورمرها، شبکههای عصبی و گردش کارهای مولد
- چگونگی کارکرد داده، پرامپتها، مدلها و محاسبات در کنار هم در سیستمهای مدرن GenAI
- مفاهیم کلیدی در مهندسی پرامپت، RAG، پیشپردازش داده، آموزش مدل و ارزیابی مدل
- نقش NVIDIA در تسریع Generative AI ،LLMsو بارهای کاری هوش مصنوعی
- دانش اساسی که از هوش مصنوعی عاملی، یادگیری ماشین و اپلیکیشن های پیشرفته هوش مصنوعی پشتیبانی میکند.
روش آموزش این دوره
- قیاسهای زندگی واقعی برای درک آسان مفاهیم پیچیده GenAI
- توضیحات به سبک وایتبرد برای شکستن واضح معماریها و گردش کارها
- نمودارهای ساده و گرافیکهای آسان برای یادگیری بصری
- جداول مقایسه برای تمایز واضح مدلها، تکنیکها و رویکردهای هوش مصنوعی
- آموزش مفهوممحور تا دانش ماندگار شود و در کار واقعی اعمال شود.
مزایای گواهینامه و شغلی
- آمادهسازی کامل برای آزمون گواهینامه NCA-GENL انویدیا
- همسو با راهنمای مطالعه رسمی آزمون انویدیا
ایدهآل برای نقشهایی مانند:
- مهندس یادگیری ماشین
- دانشمند داده
- متخصص Generative AI یا LLM
- مهندس AI DevOps
- مهندس نرمافزار یا معمار راهحلهای ابری
- همچنین برای مبتدیان و افرادی که قصد تغییر شغل دارند و به دنبال ورود به حوزه GenAI هستند عالی است.
چرا در این دوره شرکت کنید؟
چه میخواهید گواهینامه NCA-GENL را قبول شوید، یک پایه قوی در Generative AI و LLMها بسازید، یا برای نقشهای آینده در هوش مصنوعی عاملی و یادگیری ماشین آماده شوید، این دوره به شما شفافیت، اعتماد به نفس و مهارتهای لازم برای موفقیت در دنیای امروزی هوش مصنوعی محور را میدهد.
این دوره برای چه کسانی مناسب است؟
- برای مهندسان AI DevOps، دانشمندان داده، مهندسان یادگیری ماشین، متخصصان یادگیری عمیق، مهندسان نرمافزار و معماران راهحلهای ابری، محققان و مبتدیانی که مشتاق یادگیری Generative AI، ایجاد مهارتها و آمادهسازی برای گواهینامه NCA-GENL انویدیا هستند.
آموزش NVIDIA GenAI و LLMs: یادگیری و قبولی در گواهینامه NCA-GENL
-
مقدمه 02:24
-
چرا شرکتها روی Generative AI سرمایهگذاری میکنند و چرا این برای شما مهم است؟ 02:23
-
آشنایی با مسیرهای گواهینامه 02:01
-
گواهینامه NCA-GENL 02:16
-
چه چیزهایی را پوشش خواهیم داد؟ 01:39
-
استک هوش مصنوعی و یادگیری ماشین 03:29
-
زیرساخت هوش مصنوعی 02:12
-
GPUها برای هوش مصنوعی و یادگیری ماشین 04:35
-
GPU در مقابل CPU 04:35
-
معماری GPU 02:19
-
تجمع حافظه 05:15
-
ابر در مقابل داخلی 02:33
-
زیرساخت شبکه 04:18
-
زیرساخت ذخیرهسازی 03:51
-
ماژول 1 - خلاصه 01:43
-
هوش مصنوعی و یادگیری ماشین 07:08
-
یادگیری عمیق 09:11
-
یک مورد استفاده ساده 05:13
-
مدل چیست؟ 05:57
-
آموزش یک مدل 08:45
-
ماژول 2 - خلاصه 01:33
-
Generative AI چیست؟ 06:04
-
مدل اساسی 08:03
-
مدل زبانی بزرگ 06:06
-
راهی به سوی Generative AI 05:48
-
ترانسفورمرها 06:16
-
ماژول 3 - خلاصه 01:44
-
ترانسفورمر - موتور پشت هوش مصنوعی مدرن 04:08
-
ترانسفورمرها چگونه کار میکنند؟ 04:32
-
توکنسازی 04:23
-
رمزگذاری 00:54
-
تعبیه کلمه 01:31
-
رمزگشایی 01:04
-
خروجی 00:55
-
رمزگذاری موقعیتی 01:46
-
توضیحدهنده ترانسفورمر 04:41
-
مکانیزم توجه 09:45
-
توجه چندسر 03:51
-
رمزگذار - رمزگشا 06:39
-
کدام یک را باید استفاده کرد؟ 03:02
-
استراتژی پیشبینی 05:46
-
ماژول 4 - خلاصه 02:28
-
چگونه مدل اساسی هوش مصنوعی مناسب را انتخاب کنیم؟ 06:29
-
فرآیند انتخاب مدل 06:55
-
SLM در مقابل LLM 02:25
-
ارزیابی مدل 06:07
-
معیارهای مهم 07:34
-
مقایسه معیارها 02:07
-
اعتبارسنجی متقاطع 07:11
-
آزمون A/B 04:14
-
انتخاب بهترین مدل 02:35
-
ماژول 5 - خلاصه 02:11
-
چرا یک مدل را سفارشی کنیم؟ 03:31
-
مهندسی پرامپت 08:22
-
پرامپت سیستم 05:11
-
تولید با بازیابی افزودهشده (RAG) 09:03
-
تکهبندی 05:20
-
یادگیری انتقالی 04:14
-
رویکردهای یادگیری انتقالی 02:30
-
موارد استفاده یادگیری انتقالی 08:25
-
تیونینگ دقیق 03:16
-
تقطیر دانش 03:51
-
دقت بر روی مجموعه اعتبارسنجی 02:55
-
ماژول 6 - خلاصه 04:58
-
قیاس آموزش مدل 10:56
-
آبجو یا شراب 03:47
-
ترتیب مراحل 03:04
-
جمعآوری داده 06:51
-
پردازش داده - RegEx 03:16
-
پردازش داده - تحلیل اکتشافی داده (EDA) 06:26
-
تکنیکهای تحلیل اکتشافی داده (EDA) 05:29
-
آموزش مدل 02:27
-
مراحل آموزش مدل 05:31
-
ارزیابی مدل 03:09
-
استقرار مدل 02:52
-
گزینههای استقرار 04:32
-
فرمت ONNX 02:24
-
کوانتیزاسیون 04:35
-
پس از استقرار 02:21
-
ماژول 7 - خلاصه 04:50
-
اکوسیستم انویدیا 08:10
-
GPUهای انویدیا 06:01
-
CUDA 09:02
-
NVIDIA SMI 02:23
-
NVIDIA RAPIDS 05:32
-
RAPIDS چگونه کار میکند؟ 03:58
-
NVIDIA Tensor-RT 05:10
-
83 - Tensor-RT در مقابل کوانتیزاسیون در مقابل ONNX 03:14
-
NVIDIA NeMo 06:34
-
NVIDIA Triton 06:20
-
دستهبندی پویا 05:52
-
کاتالوگ NGC 05:53
-
سایر یکپارچهسازیها 05:17
-
ماژول 8 - خلاصه 05:39
-
هوش مصنوعی اخلاقی 03:00
-
ایجاد هوش مصنوعی قابل اعتماد 04:11
-
محاسبات محرمانه 03:32
-
NVIDIA NeMo Guardrails 03:46
-
طبقهبند مبتنی بر تعبیه 08:19
-
ردیابی نسب داده 01:47
-
تیم قرمز 01:52
-
افزایش داده 04:04
-
پاسخگویی 01:46
-
هوش مصنوعی قابل توضیح 01:35
-
ماژول 9 - خلاصه 04:35
-
انتشار پیشرو و پسرو 08:38
-
چالشهای گرادیانهای محو شونده 02:34
-
گرادیانهای محو شونده 05:05
-
نورون 06:00
-
داخل یک نورون 06:00
-
آیا این یک گربه است؟ 10:16
-
ReLU در مقابل Sigmoid 06:02
-
نرمالسازی لایه 07:41
-
رابطه موجودیت نامدار 04:38
-
الگوریتمهای انتشار 02:52
-
انتشار پیشرو و معکوس 04:52
-
انتشار پیشرو 04:44
-
انتشار معکوس 04:41
-
توسعه سریع اپلیکیشن (RAD) 03:19
-
ترانسفورمرهای HuggingFace 02:56
-
ماژول 10 - خلاصه 04:32
-
آمادهسازی برای آزمون گواهینامه 04:22
مشخصات آموزش
آموزش NVIDIA GenAI و LLMs: یادگیری و قبولی در گواهینامه NCA-GENL
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:متوسط
- تعداد درس:122
- مدت زمان :09:21:24
- حجم :6.91GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy