دوره آموزشی
The Great Courses
دوبله زبان فارسی

یادگیری مدل‌های زبانی بزرگ (LLMs) با پایتون و LangChain

یادگیری مدل‌های زبانی بزرگ (LLMs) با پایتون و LangChain

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

  • اصول مدل‌های زبانی بزرگ (LLMs)
  • معماری‌های ترنسفرمر فقط رمزگذار (BERT و RoBERTa و غیره)
  • معماری‌های ترنسفرمر فقط رمزگشا (جی‌پی‌تی، LLaMA و غیره)
  • یادگیری انتقالی و تیونینگ دقیق
  • بازیابی نسل افزوده (RAG)

پیش‌نیازهای دوره

  • اصول یادگیری ماشین
  • اصول برنامه‌نویسی پایتون

توضیحات دوره

شما قدرت مدل‌های زبانی بزرگ (LLMs) را کشف کرده و هوش مصنوعی پیشرفته را به پروژه‌های خود اضافه می‌کنید. این دوره که برای مبتدیان طراحی شده، شما را به دنیای مدل‌های مبتنی بر ترنسفرمر که از معماری‌های بنیادی مانند BERT و RoBERTa تا غول‌های مولد مانند جی‌پی‌تی و LLaMA متا می‌برد.

اما ما در اینجا متوقف نمی‌شویم.

شما همچنین بازیابی نسل افزوده (RAG) یکی از قدرتمندترین متدها برای تقویت LLMs با بازیابی اطلاعات بلادرنگ و آگاه از زمینه را بررسی خواهید کرد. شما یاد می‌گیرید که چگونه RAG فاصله بین مدل‌های استاتیک و تولید پویا و مبتنی بر دانش را پر می‌کند که برای کاربردهایی مانند چت‌بات‌ها، جستجوی سازمانی و دستیاران هوش مصنوعی مناسب است.

چه شما توسعه‌دهنده مبتدی پایتون باشید یا کسی که کنجکاو است بداند LLMs واقعاً چگونه کار می‌کند، این دوره به شما تئوری، مهارت‌های عملی و بینش‌های واقعی را برای کار با ابزارهای مدرن هوش مصنوعی ارائه می‌دهد.

آنچه یاد خواهید گرفت:

بخش 1 - ترنسفرمرها

  • تعبیه کلمات
  • تعبیه‌های موقعیتی و انکودینگ
  • مکانیسم self-attention
  • ماسک‌ کردن
  • معماری multi-head
  • چگونه یک معماری ترنسفرمر را آموزش دهیم؟
  • معماری‌های ترنسفرمر - جی‌پی‌تی، BERT و LLaMA

بخش 2 - معماری‌های فقط رمزگذار

  • اصول BERT
  • پیش‌ آموزش و تیونینگ دقیق مدل
  • توکن [CLS]
  • BERT و RoBERTa
  • تحلیل احساسات، طبقه‌بندی متن و پاسخ به سوالات با BERT

بخش 3 - معماری‌های فقط رمزگشا

  • اصول جی‌پی‌تی و LLaMA
  • یادگیری تقویتی از بازخورد انسانی (RLHF)
  • تیونینگ دقیق معماری‌های فقط رمزگشا
  • LoRA و QLoRA
  • تیونینگ دقیق مدل‌ها روی مجموعه داده‌ سفارشی

بخش 4 - بازیابی نسل افزوده (RAG)

  • RAG چیست؟
  • جستجوی سمانتیک و پایگاه داده‌های برداری
  • الگوریتم‌های LSH و HNSW
  • استفاده از RAG با فایل‌های PDF

بخش 5 - مهندسی پرامپت

  • اصول مهندسی پرامپت
  • پرامپت‌نویسی تک شات
  • پرامپت‌نویسی چندشات
  • پرامپت‌نویسی زنجیره افکار (CoT)
  • متدهای زنجیره‌سازی پرامپت

هم‌ اکنون به دوره بپیوندید و سفر خود را به دنیای مدل‌های زبانی بزرگ و بازیابی نسل افزوده شروع کنید. چه شما در حال ساخت اپلیکیشن‌های هوشمندتر باشید، دانش هوش مصنوعی خود را افزایش دهید، یا به سادگی به آینده فناوری زبان نگاهی بیندازید، این دوره به شما ابزارها و اعتمادبه‌نفس لازم را می‌دهد تا سطح خود را ارتقا دهید.

اکنون در دوره شرکت کنید و با مدل‌های هوش مصنوعی که آینده را شکل می‌دهند، شروع به ساخت کنید. بیایید شروع به یادگیری کنیم.

این دوره برای چه کسانی مناسب است؟

  • توسعه‌دهندگان مبتدی پایتون که درباره generative AI و مدل‌های زبانی بزرگ (LLMs) کنجکاو هستند.

یادگیری مدل‌های زبانی بزرگ (LLMs) با پایتون و LangChain

  • تکامل پردازش زبان طبیعی 04:59
  • بررسی ترنسفرمرها 02:59
  • درک تعبیه کلمات - بخش 1 11:11
  • درک تعبیه کلمات - بخش 2 09:27
  • توکن‌سازی و تعبیه کلمات 09:32
  • درک انکودینگ موقعیتی 18:33
  • مکانیسم self-attention - بخش 1 15:40
  • مکانیسم self-attention - بخش 2 09:47
  • ماسک‌ کردن چیست؟ 04:39
  • معماری Multi-head 08:11
  • لایه شبکه عصبی 07:07
  • درک آموزش ترنسفرمرها 05:17
  • معماری‌های فقط رمزگشا (جی‌پی‌تی یا LLaMA) 07:36
  • معماری‌های فقط رمزگذار (BERT) 04:40
  • معماری‌های رمزگذار-رمزگشا (مترجم گوگل) 03:48
  • آزمون ترنسفرمرها None
  • BERT چیست؟ 08:29
  • اصول معماری BERT 08:25
  • درک توکن [CLS] 06:47
  • مدل از پیش‌ آموزش دیده - ماسک‌ کردن 11:17
  • مدل از پیش‌ آموزش دیده - پیش‌بینی جمله 10:13
  • تیونینگ دقیق برای طبقه‌بندی متن و تحلیل احساسات 08:01
  • تیونینگ دقیق برای پاسخ به سوالات 11:51
  • BERT و RoBERTa 03:54
  • آزمون BERT None
  • پیاده‌سازی تحلیل احساسات - بخش 1 07:41
  • پیاده‌سازی تحلیل احساسات - بخش 2 08:40
  • پیاده‌سازی تحلیل احساسات - بخش 3 09:02
  • پیاده‌سازی تحلیل احساسات - بخش 4 11:45
  • پیاده‌سازی تحلیل احساسات - بخش 5 14:04
  • پیاده‌سازی طبقه‌بندی متن - بخش 1 08:18
  • پیاده‌سازی طبقه‌بندی متن - بخش 2 02:11
  • استفاده از هد داخلی معماری 13:24
  • پیاده‌سازی پاسخ به سوالات - بخش 1 04:57
  • پیاده‌سازی پاسخ به سوالات - بخش 2 03:05
  • پیاده‌سازی پاسخ به سوالات - بخش 3 08:08
  • پیاده‌سازی پاسخ به سوالات - بخش 4 10:19
  • پیاده‌سازی پاسخ به سوالات - بخش 5 11:14
  • پیاده‌سازی پاسخ به سوالات - بخش 6 10:47
  • بازنگری در معماری‌های ترنسفرمر فقط رمزگشا 07:34
  • یادگیری انتقالی و تیونینگ دقیق مدل‌ها 08:26
  • یادگیری تقویتی از بازخورد انسانی (RLHF) 06:30
  • درک جی‌پی‌تی، LLaMA ،Alpaca و دیپ‌سیک 05:28
  • آزمون معماری فقط رمزگشا None
  • درک تطبیق کم‌رتبه (LoRA) - بخش 1 10:55
  • درک تطبیق کم‌رتبه (LoRA) - بخش 2 07:41
  • QLoRA (تطبیق کم‌رتبه کمی‌سازی شده) 11:43
  • آزمون تیونینگ دقیق مدل‌های زبانی بزرگ None
  • استفاده از مدل GPT-2 - بخش 1 09:57
  • استفاده از مدل GPT-2 - بخش 2 08:35
  • استفاده از مدل GPT-2 - بخش 3 06:46
  • استفاده از مدل GPT-2 - بخش 4 08:26
  • استفاده از مدل LLaMA 05:42
  • استفاده از جی‌پی‌تی روی یک مجموعه داده سفارشی - بخش 1 03:47
  • استفاده از جی‌پی‌تی روی یک مجموعه داده سفارشی - بخش 2 07:18
  • استفاده از جی‌پی‌تی روی یک مجموعه داده سفارشی - بخش 3 10:54
  • استفاده از جی‌پی‌تی روی یک مجموعه داده سفارشی - بخش 4 06:30
  • تیونینگ دقیق با پیاده‌سازی LoRA - بخش 1 10:10
  • تیونینگ دقیق با پیاده‌سازی LoRA - بخش 2 04:00
  • بازیابی نسل افزوده (RAG) چیست؟ 06:24
  • درک بازیابی نسل افزوده (RAG) 07:04
  • پایگاه داده‌های برداری و جستجوی سمانتیک 06:52
  • الگوریتم‌ها برای یافتن تعبیه‌های مشابه (LSH) 10:11
  • الگوریتم‌ها برای یافتن تعبیه‌های مشابه (HNSW) 13:53
  • آزمون RAG None
  • پیاده‌سازی RAG - بخش 1 06:22
  • پیاده‌سازی RAG - بخش 2 04:49
  • پیاده‌سازی RAG - بخش 3 07:30
  • پیاده‌سازی RAG - بخش 4 07:58
  • مهندسی پرامپت چیست؟ 02:02
  • مهندسی پرامپت تک شات 03:11
  • مهندسی پرامپت چندشات 03:11
  • پرامپت‌نویسی زنجیره افکار (CoT) 03:04
  • آزمون مهندسی پرامپت None
  • شبکه‌های عصبی عمیق چیست؟ 04:25
  • مشکل انفجار گرادیان و مشکل محوشدگی گرادیان 05:44
  • توابع فعال‌سازی و مقداردهی اولیه وزن‌ها 05:45
  • تابع فعال‌سازی Softmax 07:22
  • بازنگری در توابع ضرر 07:50
  • گرادیان کاهشی و گرادیان کاهشی تصادفی 04:43
  • نرمال‌سازی، بچ‌ها و اپوک‌ها 08:08
  • منظم‌سازی 04:42
  • چرا شبکه‌های عصبی بازگشتی مهم هستند؟ 04:25
  • مبانی شبکه‌های عصبی بازگشتی 12:38
  • الگوریتم پس‌انتشار در طول زمان (BPTT) 06:09
  • مشکل انفجار گرادیان و مشکل محوشدگی گرادیان 03:44
  • نظریه مدل حافظه طولانی-کوتاه (LSTM) - بخش 1 14:14
  • نظریه مدل حافظه طولانی-کوتاه (LSTM) - بخش 2 09:08
  • مثال پیشخور حافظه طولانی-کوتاه (LSTM) 05:57
  • مثال پس‌انتشار حافظه طولانی-کوتاه (LSTM) 03:36
  • واحدهای بازگشتی گیت‌دار (GRUs) 04:26

6,510,400 1,627,600 تومان

مشخصات آموزش

یادگیری مدل‌های زبانی بزرگ (LLMs) با پایتون و LangChain

  • تاریخ به روز رسانی: 1405/04/02
  • سطح دوره:متوسط
  • تعداد درس:91
  • مدت زمان :10:55:26
  • حجم :3.13GB
  • زبان:دوبله زبان فارسی
  • دوره آموزشی:AI Academy

آموزش های مرتبط

  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
1,833,000 366,600 تومان
  • زمان: 02:27:39
  • تعداد درس: 24
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
2,260,000 452,000 تومان
  • زمان: 03:02:02
  • تعداد درس: 14
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
795,000 159,000 تومان
  • زمان: 58:00
  • تعداد درس: 12
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
19,403,000 3,880,600 تومان
  • زمان: 26:02:40
  • تعداد درس: 175
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
8,508,000 1,701,600 تومان
  • زمان: 11:25:13
  • تعداد درس: 94
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
6,100,500 1,220,100 تومان
  • زمان: 08:11:21
  • تعداد درس: 28
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
7,256,500 1,451,300 تومان
  • زمان: 09:44:25
  • تعداد درس: 67
  • سطح دوره:
  • زبان: دوبله فارسی
The Great Courses
3,634,500 726,900 تومان
  • زمان: 04:52:43
  • تعداد درس: 38
  • سطح دوره:
  • زبان: دوبله فارسی

آیا سوالی دارید؟

ما به شما کمک خواهیم کرد تا شغل و رشد خود را افزایش دهید.
امروز با ما تماس بگیرید