تیونینگ دقیق LLMs برای امنیت سایبری - Mistral ،Llama ،AutoTrain و AutoGen

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

در این دوره تقاطع امنیت سایبری و مدل های زبانی بزرگ (LLM) را بررسی کرده و می آموزید که چگونه از LLMs برای هوش متن باز (OSINT)، اسکن آسیب پذیری و موارد دیگر استفاده کنید.

شما حوزه نوظهور امنیت سایبری را که توسط مدل‌ های زبانی بزرگ (LLM) تقویت شده را در این دوره دقیق و تعاملی بررسی می کنید. مدرس آخیل شارما، با مبانی از جمله دنیای LLMs متن باز، معماری و اهمیت آن ها و تفاوت آن ها با مدل های متن بسته شروع می کند. شما می آموزید که چگونه مدل‌ ها را اجرا و دقیقا تیونینگ کنید تا به طور مؤثرتری با چالش‌ های امنیت سایبری مقابله کنید. شما برای شناسایی تهدیدات جدید، تولید داده‌ مصنوعی، اجرای هوش متن باز (OSINT) و اسکن آسیب‌ پذیری‌ های کد با مثال‌ های عملی و چالش‌ های هدایت‌ شده، بینش های لازم را جمع‌ آوری می کنید.

این دوره برای متخصصان امنیت سایبری، متخصصان IT و کسی که علاقه مند به درک این موضوع است که چگونه هوش مصنوعی می‌ تواند پروتکل‌ های امنیتی را تقویت کند، ایده‌ آل است، این دوره شما را آماده می‌ کند تا هم افزایی هوش مصنوعی را برای امنیت سایبری، کشف پتانسیل‌ های جدید در تشخیص تهدید، پیشگیری از تهدید و پاسخ به تهدید نشان دهد.

تیونینگ دقیق LLMs برای امنیت سایبری - Mistral ،Llama ،AutoTrain و AutoGen

فصل 1: مقدمه

آشنایی با LLMs و ایجنت های LLM برای امنیت سایبری 0:00:47
پیش نیازهای دوره 0:03:02
آنچه در این دوره می توان آموخت 0:02:39
Google Colab و سایر ابزارهای مهم 0:03:59
چگونه از این دوره بیشترین بهره را ببرید؟ 0:02:09

فصل 2: LLMs متن باز و چرایی اهمیت آن ها؟

GenAI و LLMs برتر - GPT4 ،Claude و Gemini (متن بسته) 0:05:30
مفاهیم مهم LLM - معماری ترنسفرمر، attention، کوانتیزاسیون، بارگذاری آفلاین پارامترها و تیونینگ دقیق 0:03:44
LLMs متن باز - Llama ،Mistral ،Mixtral و Code Llama 0:04:21
یافتن دارایی‌ ها و اجرای مدل‌ ها - Hugging Face ،Replicate ،Google Colab و Ollama 0:04:00
تیونینگ دقیق مدل ها - QLoRA ،PEFT و Unsloth 0:02:31
چالش - ایمپورت LLM در Colab 0:01:25
راه حل - یاد بگیرید که چگونه یک LLM را از Hugging Face ایمپورت کنید 0:03:53