درک، تست و فاین تیونینگ مدلهای هوش مصنوعی با HuggingFace - دوره 2025
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک یادگیری ماشین و کار با مدلهای یادگیری ماشین
- درک مدلهای Transformer مانند GPT ،BERT ،DistilBERT GPT2 ،GPT4
- کار با کتابخانههای Transformer از HuggingFace
- تست مدلهای هوش مصنوعی با تکنیکهای پیشرفته مختلف
- کار با عامل های هوش مصنوعی
- تنظیم دقیق مدلهای هوش مصنوعی و کار با مدلهای هوش مصنوعی سفارشی
پیش نیازهای دوره
- مبانی Python
- درک اولیه از کار با ChatGPT یا هر ابزار هوش مصنوعی
- مفاهیم اولیه هر زبان برنامهنویسی
توضیحات دوره
درک، تست و تنظیم دقیق مدلهای هوش مصنوعی با کتابخانه HuggingFace یک دوره جامع است که شما را از مفاهیم اساسی یادگیری ماشین تا تکنیکهای پیشرفته برای ساخت مدلهای زبانی بزرگ (LLMs) راهنمایی میکند. این دوره برای تازهکاران و مهندسان با تجربه مناسب است و اطمینان میدهد که شما در هر مرحله از پایپ لاین یادگیری ماشین، از اصول ابتدایی تا تست پیچیده مدل، تنظیم دقیق و پیادهسازی، تجربه عملی کسب کنید.
آنچه خواهید آموخت
1. مقدمهای بر یادگیری ماشین
- با بررسی در مفاهیم کلیدی یادگیری ماشین و واژگان ضروری، یک اصول قوی بنا کنید.
2. کار با کتابخانههای پردازش زبان طبیعی (NLP)
- یاد بگیرید چگونه داده متنی را با استفاده از ابزارهای محبوب NLP پردازش، تحلیل و از آنها بینش بگیرید.
3. درک عمیق کتابخانه Transformers
- به طور عمیق در Transformers HuggingFace فرو بروید، استاندارد طلایی برای ساخت راهحلهای مدرن NLP و LLM
4. روشهای مختلف کار با مدلهای زبانی بزرگ (LLMs)
- چندین روش برای تعامل و استفاده از LLMها برای اپلیکیشن های متنوع دنیای واقعی یاد بگیرید.
5. تست کارکرد مدلهای هوش مصنوعی
- با استفاده از استراتژیهای تست سیستماتیک اطمینان حاصل کنید که مدلهای شما در شرایط مختلف به طور قابلاعتمادی کار میکنند.
6. تست سوگیری و انصاف
- تکنیکهایی برای شناسایی و کاهش سوگیریهای ناخواسته را بیاموزید و به اصول اخلاقی و منصفانه در هوش مصنوعی متعهد باشید.
7. ارزیابی مدلهای هوش مصنوعی
- عملکرد را با استفاده از معیارهای قوی اندازهگیری کنید و مدلهای خود را برای نتایج بهینه اصلاح کنید.
8. کار با عامل های هوش مصنوعی
- یاد بگیرید چگونه عامل های هوشمند را بسازید، پیکربندی کنید و در جریانهای کاری خود ادغام کنید.
9. تنظیم دقیق و آموزش مدلهای هوش مصنوعی
- مدلهای پیشآماده را سفارشیسازی کنید یا از ابتدا مدلهای خود را بسازید و آنها را برای نیازهای خاص پروژه خود تنظیم کنید.
تا پایان این دوره، شما با دانش و تجربه عملی مجهز خواهید شد تا مدلها و LLMهای مبتنی بر Transformer خود را با اطمینان توسعه دهید، تست کنید و بهینهسازی کنید، و شما را در مسیر هیجانانگیزی در دنیای در حال تحول هوش مصنوعی قرار میدهد.
این دوره برای چه کسانی مناسب است؟
- QA
- Dev
- SRE
- دانشمندان داده
- هرکسی که میخواهد هوش مصنوعی را یاد بگیرد و مهارتهای خود را ارتقا دهد.
درک، تست و فاین تیونینگ مدلهای هوش مصنوعی با HuggingFace - دوره 2025
-
مقدمه 09:15
-
Transformer چیست؟ 07:54
-
درک معماری Transformer 11:16
-
Transformer چگونه کار میکند؟ 11:38
-
پردازش زبان طبیعی (NLP) 06:33
-
دانش خود را بررسی کنید! None
-
مقدمهای بر کتابخانههای NLP 04:35
-
درک کتابخانه HuggingFace 06:17
-
بررسی در پلتفرم HuggingFace 05:27
-
درک و کار با استنتاج مدل 06:30
-
نصب و کار با کتابخانه Transformer در ویندوز 11 10:46
-
نوشتن کد ساده برای درک چگونگی توکنایز کردن متن توسط مدل هوش مصنوعی 06:12
-
کار با کتابخانه Transformer در Google Colabs 06:06
-
نصب Jupyter Notebook در Visual Studio Code 08:15
-
تحلیل احساسات NLP با مدلهای هوش مصنوعی 07:30
-
NLP - پر کردن ماسک با مدلهای هوش مصنوعی 05:29
-
NLP - شناسایی موجودیتهای نامدار (NER) با مدلهای هوش مصنوعی 03:22
-
NLP - سؤال و جواب (Q&A) با مدلهای هوش مصنوعی 05:00
-
دانش خود را بررسی کنید! None
-
مقدمه 09:54
-
پایپلاین درونی با دانلود مدل 09:50
-
درک سرهای مدلها 07:21
-
عملکرد توابع پایپلاین در پسزمینه به عنوان کد 06:36
-
درک Checkpoints مدل 06:11
-
درک گروهبندی و Checkpoints 06:40
-
اعمال پد و کوتاهکردن برای طبقهبندی توالی مدل 05:13
-
دانش خود را بررسی کنید! None
-
مقدمه 02:35
-
دسترسی به APIهای OpenAI 07:29
-
بیشتر درباره APIهای OpenAI 04:05
-
کار با LLMهای محلی 06:34
-
کار با LLMهای محلی برای بینایی 03:45
-
استفاده از APIهای LLMهای محلی و استفاده در Postman 04:34
-
مقدمه 01:10
-
تست دما مدلهای هوش مصنوعی با OpenAI Playground 06:01
-
تست دما مدلهای هوش مصنوعی با کتابخانه NLP 07:30
-
تست تکرارپذیری مدلهای هوش مصنوعی 08:19
-
تست سؤال و جواب مدل هوش مصنوعی 07:04
-
تست شناسایی موجودیتهای نامدار مدل هوش مصنوعی 10:27
-
تست چندمدله مدل هوش مصنوعی 06:20
-
دانش خود را بررسی کنید! None
-
مقدمه 03:09
-
تست سوگیری مدلهای هوش مصنوعی با کتابخانه NLP 05:42
-
تست سوگیری با سناریوی منفی 06:20
-
تست قابلیت توضیح مدلهای هوش مصنوعی 04:17
-
تست قابلیت توضیح با کتابخانههای NLP 04:28
-
مقدمه 04:19
-
ارزیابی داده دیدهنشده با استفاده از کتابخانه NLP 09:13
-
ارزیابی مدل سؤال و جواب با استفاده از کتابخانه NLP 07:24
-
ارزیابی مدل سؤال و جواب با تطابق فازی 03:24
-
دانش خود را بررسی کنید! None
-
عامل های هوش مصنوعی چیست؟ 06:28
-
طیفهای عامل های هوش مصنوعی 04:35
-
نوشتن عامل های هوش مصنوعی با SmolAgents 06:49
-
نوشتن عملیات UI با عامل های هوش مصنوعی به نمایندگی از کاربر از طریق Selenium و SmolAgent 09:15
-
مقدمهای بر پروتکل متن مدل (MCP) برای عامل های هوش مصنوعی 04:51
-
عملکرد سرور MCP برای اقدام UI از طریق Playwright 05:12
-
پیکربندی سرور MCP و کار با آنها 13:20
-
مقدمه 02:25
-
درک چگونگی تنظیم دقیق یک مدل 04:38
-
درک مجموعه داده بزرگ برای آموزش مدل 05:26
-
آمادهسازی محیط با Jupyter Notebook 05:35
-
مرحله 1: ایمپورت کردن مجموعه داده از HuggingFace 08:24
-
تحلیل مجموعه داده برای درک بهتر 04:49
-
مرحله 2: اجرای توکنایزر با تبدیل متن به توکنها 06:25
-
مرحله 3: تقسیم داده تست، آموزش و اعتبارسنجی 06:47
-
ایجاد مجموعه داده در فرمت DatasetDict با داده آموزشی 06:27
-
مرحله 4: توکنایز کردن تمام داده از مجموعه داده 08:36
-
درک مدل پایه و استفاده از آن با AutoModel 06:02
-
مرحله 5: استفاده از AutoModelForSequenceClassification برای سر مدل 09:40
-
مرحله 6: ایجاد آرگومانهای آموزشی 07:39
-
مرحله 7: ایجاد معیارهای محاسباتی برای ارزیابی مدل 04:19
-
مرحله 8: ایجاد و اجرای مربی برای آموزش مدل 04:34
-
درک معیارهای مربی بعد از اتمام آموزش 04:29
-
استفاده از مدل فاین تیونینگ ما از دستگاه محلی و استنتاج از طریق پایپلاین 04:52
-
بارگذاری مدل فاین تیونینگ ما به HuggingFace و استفاده از آن از HuggingFace 09:11
-
دانش خود را تست کنید! None
-
مقدمه 07:05
-
بارگذاری مجموعه داده IMDB از CSV 05:32
-
ایجاد ساختار زمینه سؤال و جواب 11:57
-
ایجاد فرمت SQuAD برای مجموعه داده 11:01
-
تبدیل SQuAD به مجموعه داده HuggingFace 07:01
-
ایجاد مجموعه تست/آموزش/اعتبارسنجی از مجموعه داده 07:27
-
توکنایز کردن داده از مجموعه داده تست/آموزش/اعتبارسنجی 10:15
-
ایجاد فرمت تست/آموزش/اعتبارسنجی برای DatasetDict با مقادیر توکنشده 07:20
-
ایجاد آرگومان آموزشی و مربی و شروع آموزش مدل 06:04
-
ذخیره مدل بهصورت محلی و استفاده از مدل محلی برای استنتاج با طبقهبندی سؤال و جواب 09:43
مشخصات آموزش
درک، تست و فاین تیونینگ مدلهای هوش مصنوعی با HuggingFace - دوره 2025
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:87
- مدت زمان :09:02:20
- حجم :4.12GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy