ساخت سیستمهای توصیهگر مجهز به LLM
✅ سرفصل و جزئیات آموزش
یک بررسی فنی و مستدل از اینکه چگونه میتوانید شروع به ساختن نسل بعدی سیستمهای توصیهگر هوشمند کنید، به دست آورید. این دوره فراتر از الگوریتمهای سنتی میرود و نشان میدهد که چگونه میتوانید با اعمال تکنیکهای مجهز به AI برای تولید embedding، بازترتیبدهی معنایی، کاهش مشکل cold start و موارد دیگر، سیستمهای موجود را فوراً بهبود بخشید. مدرس، Rishabh Misra، اصول طراحی معماریهای پیشرفته و GenAI-native را تشریح میکند که تجربههای پویایی مانند جستجوی مکالمهای و توصیههای چندوجهی را ممکن میسازند.
این دوره که گزینهای ایدهآل برای مهندسان نرمافزار، دانشمندان داده، مهندسان AI و ML و مدیران فنی محصول است، بر ارزیابی استوار تمرکز دارد و به شما میآموزد چگونه کیفیت و انصاف را بسنجید و صحت داده مبتنی بر واقعیت را از طریق الگوهایی مانند retrieval-augmented generation (RAG) تضمین کنید. تا پایان این دوره، شما آماده خواهید بود تا سیستمهای توصیهگر GenAI مؤثر و مسئولانه را در یک محیط production طراحی، ارزیابی و عملیاتی کنید.
ساخت سیستمهای توصیهگر مجهز به LLM
-
کشف قدرت generative AI برای سیستمهای توصیهگر 0:00:26
-
انتخاب ابزار GenAI شما: LLMها، GANها و diffusion 0:06:12
-
ایجاد embeddingهای باکیفیت با sentence transformerها 0:07:18
-
پیگیری اساسی: تغییر هسته - از شناسههای آیتم به embeddingهای معنایی 0:04:43
-
خلاصهسازی تاریخچه کاربر برای شخصیسازی بهتر 0:06:28
-
حل مشکل cold start آیتم با embeddingهای چندوجهی 0:04:45
-
استفاده از پرامپت نویسی few-shot برای توضیحات شخصیسازیشده 0:06:15
-
افزایش داده: ایجاد «hard negative»ها با LLMها 0:06:37
-
پیگیری اساسی: تقویت در برابر جایگزینی - الگوی production در LLMERS 0:05:56
-
پیگیری اساسی: LLMها چگونه میفهمند؟ - مقدمهای بر transformer 0:04:19
-
معماری بازیابی مولد 0:04:29
-
کامپوننت کلیدی: توکنسازی معنایی آیتمها 0:04:36
-
ساخت توصیهگرهای مکالمهای با استفاده از ابزارها و RAG 0:04:35
-
ادغام چندوجهی: چگونگی عملکرد cross-attention 0:04:28
-
چالش معماری: مدیریت حافظه بلندمدت کاربر 0:04:21
-
ارزیابی فهرستهای توصیه: تنوع و تازگی 0:05:27
-
ارزیابی متن تولیدشده: ROUGE ،BLEU و BERTScore 0:07:09
-
معماری RAG: بررسی عمیق به grounding مبتنی بر واقعیت 0:04:35
-
Red teaming: شناسایی کنشگرایانه حالتهای خطا 0:04:51
-
زیرساخت production: پایگاههای داده برداری و سرویسدهی مدل 0:05:16
-
پیگیری اساسی: مدل دو-برج 0:05:10
-
نظارت drift در embedding و افت کیفیت 0:04:57
-
مقیاسپذیری برای استنتاج: کوانتش و تقطیر دانش 0:08:25
-
خلاصه دوره 0:04:18
-
آینده عاملمحور است: طراحی توصیهگرها بهعنوان عاملهای خودمختار 0:04:33
مشخصات آموزش
ساخت سیستمهای توصیهگر مجهز به LLM
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:متوسط
- تعداد درس:25
- مدت زمان :2:18:09
- حجم :276.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy
آموزش های مرتبط
- زمان: 06:58:57
- تعداد درس: 60
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 02:27:39
- تعداد درس: 24
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 03:02:02
- تعداد درس: 14
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 58:00
- تعداد درس: 12
-
سطح دوره:
-
زبان: دوبله فارسی
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 11:25:13
- تعداد درس: 94
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 08:11:21
- تعداد درس: 28
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 09:44:25
- تعداد درس: 67
-
سطح دوره:
-
زبان: دوبله فارسی
- زمان: 04:52:43
- تعداد درس: 38
-
سطح دوره:
-
زبان: دوبله فارسی