مهندسی LLM - تسلط به هوش مصنوعی، مدل‌ های زبانی بزرگ و ایجنت ها

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

با کمک این دوره در عرض 8 هفته به مهندس LLM تبدیل می شوید. شما 8 اپلیکیشن LLM را می سازید و مستقر می کنید و به Generative AI و مفاهیم کلیدی نظری مسلط می شوید.

آنچه یاد خواهید گرفت

پروژه 1 - ژنراتور بروشور مبتنی بر هوش مصنوعی را می سازید که وب سایت های شرکت را به طور هوشمند اسکرپ کرده و ناوبری می کند.
پروژه 2 - ایجاد ایجنت چندوجهی پشتیبانی مشتری برای یک شرکت هواپیمایی با رابط کاربری و فراخوانی تابع
پروژه 3 - توسعه ابزاری که با استفاده از هر دو مدل متن باز و متن بسته، صورت جلسه و آیتم های کاری را از صدا ایجاد می کند.
پروژه 4 - ساخت هوش مصنوعی که کد پایتون را به ++C بهینه تبدیل می کند و عملکرد را 60000 برابر افزایش می دهد.
پروژه 5 - ایجاد knowledge-worker هوش مصنوعی با استفاده از RAG برای تبدیل شدن به یک متخصص در همه امور مربوط به شرکت
پروژه 6 - Capstone بخش A - قیمت محصول را از توضیحات کوتاه با استفاده از مدل های مرزی پیش بینی می کنید.
پروژه 7 - Capstone بخش B - مدل متن باز دقیق تیونینگ شده را برای رقابت با مدل مرزی در پیش بینی قیمت اجرا می کنید.
پروژه 8 - Capstone بخش C - ساخت سیستم چندعاملی مستقل برای همکاری مدل ها برای شناسایی معاملات و اطلاع رسانی به شما درباره معاملات ویژه
طراحی و توسعه یک راه حل کامل برای مشکلات معین کسب و کار با انتخاب، آموزش و استفاده از LLMs
تفاوت ها و شباهت های آخرین تکنیک ها برای بهبود عملکرد راه حل LLM شما، مانند RAG، تیونینگ دقیق و گردش کارهای عاملی
وزن دهی به 10 LLM پیشرو و 10 LLM متن باز و توانایی انتخاب بهترین انتخاب برای یک کار مشخص

پیش نیازهای دوره

آشنایی با پایتون - این دوره مبانی پایتون را پوشش نمی دهد و درباره پایتون تکمیل شده است.

توضیحات دوره

آنچه یاد خواهید گرفت

ساخت محصولات پیشرفته Generative AI با استفاده از مدل ها و فریمورک های پیشرفته
تست با بیش از 20 مدل پیشروی هوش مصنوعی، از جمله مدل های مرزی و مدل های متن باز
توسعه مهارت در پلتفرم هایی مانند HuggingFace ،LangChain و Gradio
پیاده سازی تکنیک های پیشرفته مانند RAG (بازیابی نسل افزوده)، تیونینگ دقیق QLoRA و ایجنت ها
ایجاد اپلیکیشن های واقعی هوش مصنوعی، از جمله:
- دستیار چندوجهی پشتیبانی مشتری که با متن، صدا و تصاویر تعامل دارد.
- knowledge worker هوش مصنوعی که می تواند به هر سوالی در مورد یک شرکت بر اساس درایو مشترک آن پاسخ دهد.
- برنامه نویس هوش مصنوعی که نرم افزار را بهینه می کند و به بهبود عملکرد بیش از 60000 برابر دست می یابد.
- اپلیکیشن تجارت الکترونیک که به طور دقیق قیمت محصولات دیده نشده را پیش بینی می کند.
انتقال از استنتاج به آموزش، تیونینگ دقیق هر دو مدل مرزی و مدل متن باز
استقرار محصولات هوش مصنوعی در تولید با رابط های کاربری پالیش شده و قابلیت های پیشرفته
ارتقای مهارت های مهندسی هوش مصنوعی و LLM خود برای پیشرو بودن در خط مقدم این صنعت

ساختار دوره

هفته اول - مبانی و اولین پروژه ها

پرداختن به اصول ترنسفرمرها
تست با شش مدل مرزی پیشرو
ساخت اولین محصول Gen AI برای کسب و کار خود که وب اسکرپینگ را انجام می دهد، تصمیم ها را اتخاذ می کند و بروشورهای فروش قالب بندی شده ایجاد می کند.

هفته دوم - APIs مرزی و چت بات های خدمات مشتری

بررسی APIs مرزی و تعامل با سه مدل پیشرو
ایجاد چت بات خدمات مشتری با رابط کاربری شهودی که می تواند با متن، تصاویر، صدا تعامل داشته باشد و از ابزارها یا ایجنت ها استفاده کند.

هفته سوم - استقبال از مدل های متن باز

کشف دنیای مدل های متن باز با استفاده از HuggingFace
مقابله با 10 یوزکیس رایج Gen AI، از ترجمه تا تولید تصویر
ساخت محصولی برای ایجاد صورت جلسات و آیتم های اقدام از ضبط شده ها

هفته چهارم - انتخاب LLM و تولید کد

درک تفاوت بین LLMs و نحوه انتخاب بهترین آن ها برای تسک های کسب و کار خود
استفاده از LLMs برای تولید کد و ساخت محصولی که کد را از پایتون به ++C ترجمه می کند و به بهبود عملکرد بیش از 60000 برابر دست می یابد.

هفته پنجم - بازیابی نسل افزوده (RAG)

تسلط به RAG برای بهبود دقت راه حل های خود
کسب تخصص در تعبیه های بردار و بررسی بردارها در دیتا استورهای برداری متن باز محبوب
ساخت یک راه حل تجاری کامل شبیه به محصولات واقعی موجود در بازار امروز

هفته ششم - انتقال به آموزش

حرکت از استنتاج به آموزش
تیونینگ دقیق مدل مرزی برای حل مشکل واقعی کسب و کار
ساخت مدل تخصصی خود و رقم زدن نقطه عطف مهم در سفر هوش مصنوعی خود

هفته هفتم - تکنیک های پیشرفته آموزش

بررسی عمیق تکنیک های پیشرفته آموزش مانند تیونینگ دقیق QLoRA
آموزش یک مدل متن باز تا از مدل های مرزی برای تسک های خاص بهتر عمل کند.
مقابله با پروژه های چالش برانگیز که مهارت های شما را به سطح بعدی می برد.

هفته هشتم - استقرار و نهایی سازی

استقرار محصول تجاری خود در تولید با رابط کاربری پالیش شده
افزایش قابلیت ها با استفاده از ایجنت ها
تحویل اولین مدل LLM تولید شده، عاملی شده و دقیق تیونینگ شده خود
جشن گرفتن تسلط خود به عنوان مهندسی هوش مصنوعی و LLM تا برای مرحله جدیدی در حرفه خود آماده شوید.

این دوره برای چه کسانی مناسب است؟

مهندسان مشتاق هوش مصنوعی و دانشمندان داده که مشتاق ورود به حوزه هوش مصنوعی و LLMs هستند.
حرفه ای هایی که به دنبال افزایش مهارت و رقابتی ماندن در چشم انداز به سرعت در حال تحول هوش مصنوعی هستند.
توسعه دهندگانی که به ساخت اپلیکیشن های هوش مصنوعی پیشرفته با تجربه عملی و کاربردی علاقه مند هستند.

مهندسی LLM - تسلط به هوش مصنوعی، مدل‌ های زبانی بزرگ و ایجنت ها

فصل 1: هفته 1 - ساخت اولین محصول LLM خود - بررسی مدل های برتر و ترنسفرمرها

باز کردن سرد - پرش مستقیم به مهندسی LLM 00:37
راه اندازی Olama برای استقرار محلی LLM در ویندوز و مک 04:14
کشف قدرت LLMs محلی - ایجاد معلم خصوصی زبان اسپانیایی با استفاده از Ollama 04:07
نقشه راه مهندسی LLM - از مبتدی تا تسلط در 8 هفته 05:45
ساخت اپلیکیشن های LLM - چت بات ها، RAG و پروژه های هوش مصنوعی عاملی 01:49
از وال استریت تا هوش مصنوعی - مسیر اد دانر برای تبدیل شدن به مهندس LLM 02:07
راه اندازی محیط توسعه LLM - ابزارها و بهترین شیوه ها 06:11
راهنمای راه اندازی مک - Jupyter Lab و Conda برای پروژه های LLM 06:54
راه اندازی آناکوندا برای مهندسی LLM - راهنمای نصب ویندوز 11:37
راه اندازی جایگزین پایتون برای پروژه های LLM - راهنمای Virtualenv در مقابل آناکوندا 06:32
راه اندازی OpenAI API برای توسعه LLM - کلیدها، قیمت گذاری و بهترین شیوه ها 07:14
ایجاد فایل env. برای ذخیره ایمن کلیدهای API 05:00
پروژه رضایت فوری - ایجاد خلاصه‌ ساز صفحه وب مبتنی بر هوش مصنوعی 09:31
پیاده سازی خلاصه سازی متن با استفاده از GPT-4 OpenAI و Beautiful Soup 13:36
جمع بندی - نکات کلیدی و گام های بعدی در مهندسی LLM 02:48
تسلط به مهندسی LLM - مهارت ها و ابزارهای کلیدی برای توسعه هوش مصنوعی 06:52
درک مدل های مرزی - GPT ،Claude و LLMs متن باز 07:42
چگونه از Olama برای استنتاج LLM محلی استفاده کنیم؟ - آموزش پایتون با Jupyter 06:55
تسک عملی LLM - مقایسه OpenAI و Ollama برای خلاصه سازی متن 00:36
مدل‌ های هوش مصنوعی مرزی - مقایسه GPT-4 ،Claude ،Gemini و LLAMA 07:38
مقایسه LLMs پیشرو - نقاط قوت و اپلیکیشن های کسب و کار 01:49
بررسی پیش‌ نمایش GPT-4o در مقابل O1 - تفاوت‌ های کلیدی در عملکرد 03:54
خلاقیت و کدنویسی - استفاده از ویژگی GPT-4o Canvas 06:31
ترازبندی و ایجاد آرتیفکت Claude 3.5 - بررسی عمیق 05:26
مقایسه مدل هوش مصنوعی - Gemini در مقابل Cohere برای تسک های عجیب و غریب و تحلیلی 04:46
ارزیابی هوش مصنوعی متا و Perplexity - تفاوت های ظریف خروجی های مدل 04:36
چالش رهبری LLM - ارزیابی مدل‌ های هوش مصنوعی از طریق پرامپت های خلاقانه 05:41
افشای برنده رهبری - چالش سرگرم کننده LLM 07:50
بررسی سفر هوش مصنوعی - از مدل های اولیه تا ترنسفرمرها 03:02
درک پارامترهای LLM - از GPT-1 تا مدل های دارای تریلیون وزن 05:01
توضیح توکن سازی GPT - مدل های زبانی بزرگ چگونه ورودی متن را پردازش می کنند؟ 10:41
پنجره های کانتکس چگونه بر مدل‌ های زبانی هوش مصنوعی تأثیر می‌ گذارد؟ - توضیح محدودیت های توکن 03:13
ناوبری هزینه‌ های مدل هوش مصنوعی - قیمت‌ گذاری API در مقابل سابسکریپشن های رابط چت 02:48
مقایسه پنجره های کانتکس LLM - بررسی GPT-4 در مقابل Claude در مقابل Gemini 1.5 Flash 05:22
جمع بندی - نکات کلیدی و بینش های عملی 02:40
ساخت بروشورهای بازاریابی مبتنی بر هوش مصنوعی با OpenAI API و پایتون 03:08
آموزش JupyterLab - وب اسکرپینگ برای بروشورهای شرکت مبتنی بر هوش مصنوعی 06:20
خروجی های ساختار یافته در LLMs - بهینه سازی پاسخ های جی سان برای پروژه های هوش مصنوعی 09:20
ایجاد و فرمت بندی پاسخ ها برای محتوای بروشور 08:39
تنظیمات نهایی - بهینه سازی نشانه گذاری و استریمینگ در JupyterLab 09:50
تسلط به پرامپت نویسی چند شات - افزایش قابلیت اطمینان LLM در پروژه‌ های هوش مصنوعی 04:22
تکلیف - توسعه معلم خصوصی سفارشی مبتنی بر LLM خود 04:07
جمع بندی هفته 1 - دستاوردها و گام های بعدی 02:56

فصل 2: هفته 2 - ساخت چت بات چندوجهی - LLMs و Gradio UI و ایجنت ها در عمل

تسلط به چندین AI APIs - بررسی OpenAI ،Claude و Gemini برای مهندسان LLM 04:50
استریمینگ پاسخ های هوش مصنوعی - پیاده سازی خروجی LLM به صورت بلادرنگ در پایتون 16:14
چگونه با استفاده از OpenAI و Claude APIs مکالمات هوش مصنوعی متخاصم را ایجاد کنیم؟ 11:18
ابزارهای هوش مصنوعی - بررسی ترنسفرمرها و LLMs مرزی برای توسعه دهندگان 01:20
ایجاد رابط‌ های هوش مصنوعی با Gradio - نمونه‌ سازی اولیه سریع برای مهندسان LLM 03:03
آموزش Gradio - ایجاد رابط های هوش مصنوعی تعاملی برای مدل های OpenAI GPT 11:41
پیاده سازی استریمینگ پاسخ‌ ها با GPT و Claude در رابط کاربری Gradio 05:58
ساخت رابط چت هوش مصنوعی چند مدلی با Gradio - GPT در مقابل Claude 08:22
ایجاد رابط‌ های هوش مصنوعی پیشرفته - از OpenAI API تا رابط‌ های چت با Gradio 01:23
ساخت چت بات های هوش مصنوعی - تسلط به Gradio برای دستیاران پشتیبانی مشتری 04:43
ساخت چت بات مکالمه ای هوش مصنوعی با OpenAI و Gradio - گام به گام 12:36
تقویت چت بات ها با پرامپت نویسی چند شات و غنی سازی کانتکس 10:12
تسلط به ابزارهای هوش مصنوعی - توانمندسازی LLMs برای اجرای کد روی ماشین خود 02:35
استفاده از ابزارهای هوش مصنوعی با LLMs - افزایش قابلیت‌ های مدل زبانی بزرگ 07:27
ساخت دستیار خط هوایی هوش مصنوعی - پیاده سازی ابزارها با OpenAI GPT-4 06:10
چگونه LLMs را با ابزارهای سفارشی تجهیز کنیم؟ - آموزش فراخوانی تابع OpenAI 11:35
تسلط به ابزارهای هوش مصنوعی - ساخت دستیاران پیشرفته مجهز به LLM با APIs 01:13
دستیاران هوش مصنوعی چندوجهی - یکپارچه سازی تولید تصویر و صدا 05:01
هوش مصنوعی چندوجهی - یکپارچه سازی تولید تصویر DALL-E 3 در JupyterLab 08:27
ساخت ایجنت هوش مصنوعی چندوجهی - یکپارچه سازی ابزارهای صوتی و تصویری 06:53
چگونه یک دستیار هوش مصنوعی چندوجهی بسازیم؟ - یکپارچه سازی ابزارها و ایجنت ها 04:32

فصل 3: هفته 3 - Gen AI متن باز - ایجاد راه حل های خودکار با HuggingFace

آموزش Hugging Face - بررسی مدل‌ ها و مجموعه داده‌ های هوش مصنوعی متن باز 10:38
بررسی HuggingFace Hub - مدل‌ ها، مجموعه داده‌ ها و فضاها برای توسعه‌ دهندگان هوش مصنوعی 12:39
آشنایی با Google Colab - بررسی Cloud Jupyter Notebooks برای یادگیری ماشین 03:16
یکپارچه سازی Hugging Face با Google Colab - بررسی Secrets و راه اندازی کلیدهای API 10:35
تسلط به Google Colab - مدل‌ های هوش مصنوعی متن باز با Hugging Face 01:58
ترنسفرمرهای Hugging Face - استفاده از پایپ لاین ها برای تسک های هوش مصنوعی در پایتون 04:07
پایپ لاین ها در Hugging Face - ساده سازی تسک های هوش مصنوعی با کتابخانه ترنسفرمرها 13:11
تسلط به پایپ لاین ها در Hugging Face - استنتاج کارآمد هوش مصنوعی برای تسک های ML 01:41
بررسی توکنایزرها در هوش مصنوعی متن باز - Llama ،Phi-2 ،Qwen و Starcoder 05:12
تکنیک های توکن سازی در هوش مصنوعی - استفاده از AutoTokenizer با مدل LLAMA 3.1 11:00
مقایسه توکنایزرها - Llama ،PHI-3 و QWEN2 برای مدل‌ های هوش مصنوعی متن باز 11:35
توکنایزرهای Hugging Face - آماده سازی برای تولید متن پیشرفته با هوش مصنوعی 00:51
کلاس مدل Hugging Face - استنتاج در حال اجرا روی مدل‌ های هوش مصنوعی متن باز 03:38
ترنسفرمرهای Hugging Face - بارگذاری و کمی سازی LLMs با بیت ها و بایت ها 14:51
ترنسفرمرهای Hugging Face - ایجاد جوک ها با مدل‌ های هوش مصنوعی متن باز 10:44
تسلط به ترنسفرمرهای Hugging Face - مدل ها، پایپ لاین ها و توکنایزرها 01:31
ترکیب مدل های مرزی و متن باز برای خلاصه سازی صدا به متن 03:24
استفاده از Hugging Face و OpenAI برای تولید صورت جلسه با هوش مصنوعی 12:56
ساخت ژنراتور داده تست مصنوعی - مدل هوش مصنوعی متن باز برای کسب و کار 04:49

فصل 4: هفته 4 - نمایش LLM - ارزیابی مدل ها برای تولید کد و تسک های کسب و کار

چگونه LLM مناسب را انتخاب کنیم؟ - مقایسه مدل های متن باز و متن بسته 12:13
قانون مقیاس بندی Chinchilla - بهینه سازی پارامترهای LLM و اندازه داده آموزش 05:44
محدودیت های بنچ مارک های LLM - بیش‌ برازش و نشت داده آموزش 07:26
ارزیابی مدل‌ های زبانی بزرگ - رونمایی از بنچ مارک های سطح بعدی 06:29
OpenLLM Leaderboard در HuggingFace - مقایسه مدل های زبانی متن باز 09:33
تسلط به LLM Leaderboards - مقایسه مدل های متن باز و متن بسته 01:48
مقایسه LLMs - شش Leaderboards برتر برای ارزیابی مدل های زبانی 05:45
LLM Leaderboards تخصصی - یافتن بهترین مدل برای یوزکیس خود 08:05
LLAMA در مقابل GPT-4 - بنچ مارکینگ مدل‌ های زبانی بزرگ برای تولید کد 13:05
مدل‌ های زبانی رتبه‌ بندی شده توسط انسان - آشنایی با عرصه چت‌ بات LM Sys 07:21
کاربردهای تجاری مدل های زبانی بزرگ - از قانون تا آموزش 05:43
مقایسه LLMs مرزی و متن باز برای پروژه های تبدیل کد 03:00
استفاده از مدل های مرزی برای تولید کد با کارایی بالا در ++C 02:37
مقایسه LLMs برتر برای تولید کد - GPT-4 در مقابل Claude 3.5 Sonnet 08:24
بهینه سازی کد پایتون با مدل های زبانی بزرگ - GPT-4 در مقابل Claude 3.5 07:50
مشکلات تولید کد - زمانی که مدل های زبانی بزرگ خطا تولید می کنند 05:52
Blazing تولید کدهای سریع - چگونه می توان 13000 برابر Claude را بهتر از پایتون کرد؟ 04:32
ساخت رابط کاربری Gradio برای تولید کد با مدل های زبانی بزرگ 04:05
بهینه سازی تولید کد ++C - مقایسه عملکرد GPT و Claude 07:22
مقایسه GPT-4 و Claude برای تولید کد - بنچ مارک های عملکرد 04:44
LLMs متن باز برای تولید کد - بررسی اندپوینت های Hugging Face 01:59
چگونه از اندپوینت های استنتاج HuggingFace برای مدل های تولید کد استفاده کنیم؟ 08:20
یکپارچه سازی مدل های متن باز با LLMs مرزی برای تولید کد 07:01
مقایسه تولید کد - GPT-4 و Claude و CodeQuen LLMs 10:33
تسلط به تولید کد با LLMs - تکنیک ها و انتخاب مدل 01:48
ارزیابی عملکرد LLM - متریک های مدل محور در مقابل متریک های کسب و کار محور 09:11
تسلط به تولید کد LLM - چالش های پیشرفته برای توسعه دهندگان پایتون 07:51

فصل 5: تسلط به RAG - ساخت راه حل های پیشرفته با تعبیه بردارها و LangChain

اصول RAG - استفاده از داده خارجی برای بهبود پاسخ های LLM 05:03
ساخت سیستم DIY RAG - پیاده سازی نسل بازیابی افزوده (RAG) 13:09
درک تعبیه های بردار - کلید بازیابی RAG و LLM 09:30
رونمایی از LangChain - ساده سازی پیاده سازی RAG برای اپلیکیشن های LLM 03:45
آموزش تقسیم کننده متن LangChain - بهینه سازی تکه ها برای سیستم های RAG 10:59
آماده سازی برای پایگاه داده های برداری - تعبیه OpenAI و Chroma در RAG 01:14
تسلط به تعبیه های بردار - OpenAI و Chroma برای مهندسی LLM 04:14
مصورسازی تعبیه ها - بررسی فضای چندبعدی با t-SNE 17:41
ساخت پایپ لاین های RAG - از بردارها تا تعبیه ها با LangChain 02:51
پیاده سازی پایپ لاین RAG - بررسی LLM ،Retriever و حافظه در LangChain 04:37
تسلط به بازیابی نسل افزوده (RAG) - یکپارچه سازی عملی LLM 10:38
تسلط به پایپ لاین RAG - ساخت سیستم های RAG کارآمد 01:57
بهینه سازی سیستم های RAG - عیب یابی و فیکس کردن مشکلات رایج 01:02
سوئیچینگ فروشگاه‌ های برداری - FAISS در مقابل Chroma در پایپ لاین های LangChain RAG 08:40
رمزگشایی LangChain - پشت صحنه ساخت پایپ لاین RAG 03:15
اشکال زدایی RAG - بهینه سازی بازیابی کانتکس در LangChain 10:28
ساخت Knowledge Worker هوش مصنوعی شخصی خود - RAG برای افزایش بهره وری 07:07

فصل 6: هفته 6 - تیونینگ دقیق مدل های زبانی بزرگ مرزی با LoRA و QLoRA

تیونینگ دقیق مدل های زبانی بزرگ - از استنتاج تا آموزش 10:17
یافتن و ساخت مجموعه داده‌ ها برای تیونینگ دقیق LLM - منابع و تکنیک‌ ها 05:59
تکنیک های Curation داده برای تیونینگ دقیق LLMs در توضیحات محصول 12:35
بهینه‌ سازی داده‌ آموزش - تکنیک‌ های Scrubbing برای تیونینگ دقیق LLM 15:46
ارزیابی عملکرد LLM - متریک های مدل محور در مقابل متریک های کسب و کار 08:31
پایپ لاین استقرار LLM - از مشکل کسب و کار تا راه حل تولید 07:42
پرامپت نویسی، RAG و تیونینگ دقیق - زمان استفاده از هر رویکرد 09:55
تولید LLMs - بهترین شیوه ها برای استقرار مدل های هوش مصنوعی در مقیاس بالا 01:49
بهینه سازی مجموعه داده های بزرگ برای آموزش مدل - استراتژی های Curation داده 09:50
چگونه یک مجموعه داده متوازن برای آموزش LLM ایجاد کنیم؟ - تکنیک های Curation 11:27
نهایی سازی Curation مجموعه داده - تحلیل همبستگی های توضیح-قیمت 12:03
چگونه یک مجموعه داده با کیفیت بالا را در HuggingFace ایجاد و آپلود کنیم؟ 01:39
مهندسی ویژگی و Bag of Words - ایجاد بیس لاین های ML برای NLP 07:10
مدل های بیس لاین در ML - پیاده سازی توابع پیش بینی ساده 17:18
تکنیک های مهندسی ویژگی برای مدل های پیش بینی قیمت محصولات آمازون 09:08
بهینه سازی عملکرد LLM - استراتژی های پیشرفته مهندسی ویژگی 07:21
رگرسیون خطی برای تیونینگ دقیق LLM - مقایسه مدل بیس لاین 05:43
Bag of Words در NLP - پیاده سازی Count Vectorizer برای تحلیل متن در ML 07:48
پشتیبانی از رگرسیون برداری در مقابل جنگل تصادفی - Face-Off یادگیری ماشین 06:03
مقایسه مدل‌ های سنتی ML - از تصادفی تا جنگل تصادفی 04:13
ارزیابی مدل های مرزی - مقایسه عملکرد با فریمورک های بیس لاین 01:46
انسان در مقابل هوش مصنوعی - ارزیابی عملکرد پیش‌ بینی قیمت در مدل‌ های مرزی 11:17
GPT-4o Mini - ارزیابی مدل هوش مصنوعی مرزی برای تسک های برآورد قیمت 10:59
مقایسه GPT-4 و Claude - عملکرد مدل در تسک های پیش بینی قیمت 09:00
قابلیت‌ های هوش مصنوعی مرزی - عملکرد بهتر LLMs نسبت به مدل‌ های سنتی ML 03:57
تیونینگ دقیق LLMs با OpenAI - آماده سازی، آموزش و ارزیابی داده 06:06
چگونه فایل‌ های JSONL را برای تیونینگ دقیق مدل‌ های زبانی بزرگ (LLM) تهیه کنیم؟ 11:06
راهنمای گام به گام - راه اندازی تیونینگ دقیق Jobs در GPT با OpenAI API 08:18
تیونینگ دقیق LLMs - ردیابی از دست دادن و پیشرفت آموزش با وزن ها و سوگیری ها 04:21
ارزیابی متریک های LLMs دقیق تیونینگ شده - تحلیل آموزش و ضرر اعتبارسنجی 07:18
چالش‌ های تیونینگ دقیق LLM - زمانی که عملکرد مدل بهبود نمی‌ یابد 01:52
تیونینگ دقیق LLMs مرزی - چالش ها و بهترین شیوه ها برای بهینه سازی 11:07

فصل 7: مدل متن باز دقیق تیونینگ شده برای رقابت با مدل مرزی در پیش بینی قیمت

تسلط به تیونینگ دقیق کارآمد پارامتر - LoRa ،QLoRA و هایپرپارامترها 03:55
آشنایی با آداپتورهای LoRA - توضیح سازگاری با رنکینگ پایین 07:19
QLoRA - کمی سازی برای تیونینگ دقیق کارآمد مدل‌ های زبانی بزرگ 05:16
بهینه سازی LLMs - ماژول های R، آلفا و هدف در تیونینگ دقیق QLoRA 05:14
تیونینگ دقیق کارآمد پارامتر - PEFT برای LLMs با Hugging Face 08:40
چگونه LLMs را کمی سازی کنیم؟ - کاهش اندازه مدل با دقت 8 بیتی 03:35
کمی سازی دوگانه و NF4 - تکنیک های پیشرفته برای بهینه سازی LLM چهار بیتی 03:41
بررسی مدل‌ های PEFT - نقش آداپتورهای LoRA در تیونینگ دقیق LLM 07:10
خلاصه اندازه مدل - مقایسه مدل های کمی شده و دقیق تیونینگ شده 01:52
چگونه بهترین مدل اولیه را برای تیونینگ دقیق مدل های زبانی بزرگ انتخاب کنیم؟ 06:24
انتخاب بهترین مدل اولیه - تحلیل LLM Leaderboard در HuggingFace 06:49
بررسی توکنایزرها - مقایسه LLAMA و QWEN و سایر مدل های LLM 05:01
بهینه سازی عملکرد LLM - بارگذاری و توکن سازی مدل اولیه Llama 3.1 09:20
تأثیر کمی سازی بر LLMs - تحلیل متریک های عملکرد و خطاها 05:42
مقایسه LLMs - بررسی GPT-4 در مقابل LLAMA 3.1 در تیونینگ کارآمد پارامتر 03:17
هایپرپارامترهای QLoRA - تسلط به تیونینگ دقیق برای مدل‌ های زبانی بزرگ 08:57
درک اپوک ها و اندازه های بچ در آموزش مدل 04:27
توضیح نرخ یادگیری، انباشت گرادیان و Optimizers 05:24
راه اندازی فرآیند آموزش برای تیونینگ دقیق 17:22
پیکربندی SFTTrainer برای تیونینگ دقیق LoRA کمی شده چهار بیتی LLMs 09:42
تیونینگ دقیق LLM - راه اندازی فرآیند آموزش با QLoRA 03:41
نظارت و مدیریت آموزش با وزن ها و سوگیری ها 02:08
پایین نگه داشتن هزینه های آموزش - استراتژی های تیونینگ دقیق کارآمد 01:50
تیونینگ دقیق کارآمد - استفاده از مجموعه داده های کوچکتر برای آموزش QLoRA 06:00
مصورسازی پیشرفت تیونینگ دقیق LLM با نمودارهای وزن ها و سوگیری ها 14:52
ابزارهای پیشرفته وزن‌ ها و سوگیری‌ ها و صرفه‌ جویی در مدل در Hugging Face 11:55
تیونینگ دقیق End-to-End LLM - از تعریف مشکل تا مدل آموزش دیده 02:04
چهار مرحله در آموزش LLM - از پاس به جلو تا بهینه سازی 05:38
فرآیند آموزش QLoRA - پاس به جلو، پاس به عقب و محاسبه ضرر 06:52
درک Softmax و افت آنتروپی متقابل در آموزش مدل 07:12
نظارت بر تیونینگ دقیق - وزن ها و سوگیری ها برای تحلیل آموزش LLM 05:31
بازبینی مجدد Podium - مقایسه متریک های عملکرد مدل 03:08
ارزیابی LLM اختصاصی و دقیق تیونینگ شده ما در برابر متریک های کسب و کار 12:58
مصورسازی نتایج - آیا ما GPT-4 را شکست دادیم؟ 02:49
تیونینگ هایپرپارامتر برای LLMs - بهبود دقت مدل با PEFT 04:34

فصل 8: هفته 8 - ساخت سیستم چندعاملی مستقل برای همکاری مدل ها

از تیونینگ دقیق تا سیستم‌ های چندعاملی - مهندسی LLM سطح بعدی 03:21
ساخت معماری هوش مصنوعی چندعاملی برای سیستم‌ های یافتن معامله خودکار 08:07
رونمایی از مودال - استقرار مدل‌ های بدون سرور در ابر 04:21
LLAMA روی ابر - اجرای موثر مدل های بزرگ 15:39
ساخت API قیمت گذاری هوش مصنوعی بدون سرور - راهنمای گام به گام با مودال 18:39
مدل های تولید چندگانه پیش رو - آماده سازی برای راه حل های پیشرفته RAG 02:48
پیاده‌ سازی گردش‌ کارهای عاملی - مدل‌ های مرزی و فروشگاه‌ های برداری در RAG 05:20
ساخت دیتا استور برداری عظیم کروما برای پایپ لاین های پیشرفته RAG 09:23
مصورسازی فضاهای برداری - تکنیک های پیشرفته RAG برای اکتشاف داده 04:38
تکنیک های مصورسازی سه بعدی برای RAG - بررسی تعبیه های بردار 02:14
یافتن محصولات مشابه - ساخت پایپ لاین RAG بدون LangChain 07:38
پیاده سازی پایپ لاین RAG - تقویت LLMs با تکنیک های بازیابی 07:07
رگرسیون جنگل تصادفی - استفاده از ترنسفرمرها و ML برای پیش بینی قیمت 07:06
ساخت مدل گروهی - ترکیب LLM ،RAG و جنگل تصادفی 09:41
جمع بندی - نهایی سازی سیستم های چندعاملی و یکپارچه سازی RAG 01:54
تقویت ایجنت های هوش مصنوعی با خروجی های ساختار یافته - راهنمای Pydantic و BaseModel 04:12
اسکرپ کردن فیدهای RSS - ساخت سیستم انتخاب معامله مبتنی بر هوش مصنوعی 11:48
خروجی های ساختار یافته در هوش مصنوعی - پیاده سازی GPT-4 برای انتخاب معامله دقیق 10:27
بهینه سازی گردش کارهای هوش مصنوعی - اصلاح پرامپت ها برای تشخیص دقیق قیمت 02:41
تسلط به ایجنت های مستقل - طراحی گردش کارهای هوش مصنوعی چندعاملی 01:44
ویژگی بارز هوش مصنوعی عاملی - استقلال، برنامه ریزی و حافظه 10:50
ساخت سیستم هوش مصنوعی عاملی - یکپارچه سازی Pushover برای نوتیفیکیشن ها 09:08
پیاده سازی هوش مصنوعی عاملی - ایجاد ایجنت برنامه ریزی برای گردش کارهای خودکار 07:44
ساخت فریمورک ایجنت - اتصال LLMs و کد پایتون 14:14
تکمیل گردش کارهای عاملی - مقیاس بندی اپلیکیشن های کسب و کار 04:49
ایجنت های مستقل هوش مصنوعی - ساخت سیستم‌ های هوشمند بدون دخالت انسان 02:51
ایجنت های هوش مصنوعی با Gradio - تکنیک‌ های پیشرفته رابط کاربری برای سیستم‌ های خودمختار 10:00
نهایی سازی رابط کاربری Gradio برای راه حل هوش مصنوعی عاملی ما 07:30
بهبود رابط کاربری ایجنت هوش مصنوعی - یکپارچه سازی Gradio برای مصورسازی لاگ بلادرنگ 04:17
تحلیل نتایج - نظارت بر عملکرد فریمورک ایجنت 02:16
گذشته نگر پروژه هوش مصنوعی - سفر 8 هفته ای برای تبدیل شدن به مهندس LLM 06:01