گواهینامه NVIDIA-Certified Associate - Generative AI LLMs (NCA-GENL)
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- اصول یادگیری ماشین
- اصول یادگیری عمیق
- Generative AI و LLMs
- شتابدهی NVIDIA GPU
- مهندسی پرامپت
- آمادگی برای آزمون NCA-GENL
پیشنیازهای دوره
- تجربه اولیه برنامهنویسی (پایتون توصیه میشود.)
- درک بنیادی از مفاهیم یادگیری ماشین
- دسترسی به یک رایانه با اتصال به اینترنت برای یادگیری آنلاین
توضیحات دوره
آمادگی برای آزمون گواهینامه NVIDIA Generative AI LLMs (NCA-GENL) - تبدیل شدن به متخصص دارنده گواهینامه Generative AI
شما برای موفقیت در آزمون گواهینامه NVIDIA Generative AI LLMs (NCA-GENL) آماده میشوید و به عنوان یک متخصص در این حوزه گواهینامه خود را کسب میکنید. این دوره جامع برای ارائه دانش عمیق و مهارتهای عملی لازم برای برتری در دنیای generative AI و مدلهای زبانی بزرگ (LLMs) طراحی شده است، در حالی که از فناوریهای پیشرفته NVIDIAs بهره میبرد.
آنچه خواهید آموخت تا به آزمون NCA-GENL تسلط پیدا کنید:
- اصول یادگیری ماشین - درک خود را از اصول، الگوریتمها و تکنیکهای یادگیری ماشین که برای درک عملکردهای داخلی generative AI ضروری هستند، تقویت میکنید.
- اصول یادگیری عمیق - به معماریهای یادگیری عمیق، شبکههای عصبی و متدولوژیهای آموزش میپردازید که به مدلهای زبانی بزرگ امکان میدهند تا متن، تصویر و سایر فرمهای محتوا را تولید کنند.
- Generative AI و LLMs - درک عمیقی از مفاهیم generative AI، معماریهای مدل (مانند ترنسرمرها) و قابلیتهای منحصربهفرد مدلهای زبانی بزرگ بهدست میآورید.
- شتابدهی NVIDIA GPU - از قدرت NVIDIA GPUs برای آموزش، استنباط و استقرار مدل استفاده میکنید تا عملکرد و کارایی بهینه در اپلیکیشنهای واقعی بهدست آورید.
- مهندسی پرامپت - به هنر مهندسی پرامپت مسلط شده و پرامپتهای دقیقی برای راهنمایی LLMs در تولید خروجیهای موردنظر، از تولید متن خلاق تا ترکیب کدهای پیچیده ایجاد میکنید.
- کاربردهای واقعی - کاربردهای متنوع و متحولکننده generative AI را در صنایع مختلف، از جمله تولید محتوا، تولید کد، طراحی، چتباتها و موارد دیگر، بررسی میکنید.
- آمادگی برای آزمون NCA-GENL - راهنمایی و تمرین هدفمند دریافت میکنید تا با اطمینان به آزمون گواهینامه NVIDIA Generative AI LLMs (NCA-GENL) نزدیک شده و در آن قبول شوید.
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگانی که به دنبال یکپارچهسازی قابلیتهای generative AI در اپلیکیشنهای خود هستند.
- دانشمندان داده که به دنبال استفاده از قدرت LLMs برای تحلیل متن، پردازش زبان طبیعی و بینشهای دادهمحور هستند.
- علاقهمندان به یادگیری ماشین که مشتاق بررسی تحقیقات پیشرفته هوش مصنوعی، تولید متن و فناوریهای پردازش زبان هستند.
- متخصصان هوش مصنوعی که به دنبال ارتقای مهارتهای خود، پیشرفت حرفه خود و کسب گواهینامه معتبر NVIDIA Generative AI با LLM هستند.
هماکنون در دوره شرکت کرده و گواهینامه دریافت کنید.
خود را برای یک حرفه پاداشدهنده در generative AI آماده کنید. مهارتها و دانش لازم برای توسعه و استقرار راهحلهای نوآورانه هوش مصنوعی با فناوری قدرتمند NVIDIAs را بهدست آورید. با اطمینان در آزمون NCA-GENL موفق شوید و به یک کارشناس پرتقاضا در این زمینه تبدیل شوید.
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگانی که به دنبال یکپارچهسازی قابلیتهای generative AI در اپلیکیشنهای خود هستند.
- دانشمندان داده که به دنبال استفاده از قدرت LLMs برای تحلیل متن، پردازش زبان طبیعی و بینشهای دادهمحور هستند.
- علاقهمندان به یادگیری ماشین که مشتاق به بررسی تحقیقات پیشرفته هوش مصنوعی، تولید متن و فناوریهای پردازش زبان هستند.
- متخصصان هوش مصنوعی که به دنبال ارتقای مهارتهای خود، پیشرفت حرفه خود و کسب گواهینامه معتبر NVIDIA Generative AI با LLM هستند.
گواهینامه NVIDIA-Certified Associate - Generative AI LLMs (NCA-GENL)
-
به این دوره خوش آمدید 03:09
-
آنچه این دوره را منحصربهفرد میکند؟ 05:42
-
آشنایی با اصول یادگیری ماشین 05:45
-
آزمون اصول یادگیری ماشین None
-
مقدمه ای بر یادگیری ماشینی 16:52
-
انواع یادگیری ماشین 03:59
-
رگرسیون خطی و متریکهای ارزیابی برای رگرسیون 22:44
-
منظمسازی و فرضیات رگرسیون خطی 26:01
-
رگرسیون لجستیک 08:46
-
گرادیان کاهشی 08:05
-
پیادهسازی رگرسیون لجستیک و EDA 21:05
-
متریکهای ارزیابی برای طبقهبندی 26:35
-
الگوریتمهای درخت تصمیمگیری 11:30
-
توابع Loss در درختان تصمیمگیری 09:51
-
پیادهسازی الگوریتم درخت تصمیمگیری 15:44
-
بیشبرازش در مقابل کم برازش - اعتبارسنجی متقابل Kfold 18:26
-
تکنیکهای بهینهسازی هایپرپارامتر 29:38
-
الگوریتم KNN 09:31
-
الگوریتم SVM 23:56
-
یادگیری گروهی - Classifier رایگیری 14:32
-
یادگیری گروهی - Bagging Classifier و جنگل تصادفی 17:04
-
یادگیری گروهی - بوستینگ Adabost و بوستینگ گرادیان 17:50
-
یادگیری گروهی - XGBoost 09:16
-
خوشهبندی - Kmeans 26:15
-
خوشهبندی - خوشهبندی سلسلهمراتبی 12:29
-
خوشهبندی - DBScan 05:52
-
تحلیل سریهای زمانی 12:33
-
عملی - ARIMA 11:42
-
اصول یادگیری عمیق - مقدمه 02:31
-
آشنایی با یادگیری عمیق 13:53
-
آشنایی با تنسورفلو و ایجاد اولین شبکه عصبی 19:22
-
شهود آموزش یادگیری عمیق 15:04
-
تابع فعالسازی 08:40
-
معماری شبکههای عصبی 05:40
-
آموزش مدل یادگیری عمیق - Epochs - اندازه دسته 03:39
-
تیونینگ هایپرپارامتر در یادگیری عمیق 08:29
-
محوشدگی و انفجار گرادیانها - مقداردهیهای اولیه و منظمسازیها 07:13
-
آشنایی با شبکههای عصبی کانولوشن (CNN) 18:02
-
پیادهسازی CNN روی مجموعه داده CatDog 15:29
-
یادگیری انتقالی برای بینایی کامپیوتری 18:15
-
چالشهای شبکههای عصبی پیشخور 23:17
-
RNN و انواع معماریها 20:53
-
معماری LSTM 09:41
-
مکانیزم توجه 13:40
-
یادگیری انتقالی برای داده زبان طبیعی 12:08
-
آشنایی با بخش NLP 02:23
-
آشنایی با NLP و تسکهای آن 08:44
-
درک پایپلاین NLP 06:33
-
تکنیکهای پیشپردازش متن - توکنسازی 09:45
-
پیشپردازش متن - تگگذاری Pos و Stop words و Stemming و Lemmatization 06:54
-
استخراج ویژگی - NLP 02:17
-
تکنیک انکودینگ One Hot 03:58
-
Bag of Words و Count Vectorizer 07:40
-
امتیاز TF-IDF 07:45
-
تعبیه کلمات 08:30
-
CBoW و Skip gram - تعبیه کلمات 11:08
-
آشنایی با مدلهای زبانی بزرگ 06:43
-
چگونه مدلهای زبانی بزرگ (LLMs) آموزش داده میشوند؟ 09:55
-
قابلیتهای LLMs 03:18
-
چالشهای LLMs 06:56
-
آشنایی با ترنسفرمرها - توجه تنها چیزی است که نیاز دارید 09:24
-
انکودینگهای پوزیشنال 08:48
-
انکودینگهای پوزیشنال - بررسی عمیق 16:28
-
توجه به خود و توجه چندگانه 05:21
-
توجه به خود و توجه چندگانه - بررسی عمیق 09:21
-
درک توجه چندگانه ماسک شده 02:38
-
توجه چندگانه ماسک شده - بررسی عمیق 05:52
-
معماری رمزگذار-رمزگشا 06:35
-
سفارشیسازی LLMs - مهندسی پرامپت 11:15
-
سفارشیسازی LLMs - یادگیری پرامپت - تیونینگ پرامپت و p-tuning 10:39
-
تفاوت بین تیونینگ پرامپت و p-tuning 02:52
-
PEFT - تیونینگ دقیق پارامتر کارآمد 06:54
-
داده آموزش برای LLMs 08:12
-
ارکان داده آموزش LLM - کیفیت، تنوع و اخلاق 09:18
-
پاکسازی داده برای LLMs 09:05
-
سوگیریها در مدلهای زبان بزرگ 07:20
-
توابع Loss برای LLMs 06:05
-
مهندسی پرامپت چیست؟ 07:39
-
مهندسی پرامپت پیشرفته 02:40
-
تکنیکها برای پرامپتهای موثر 04:34
-
ملاحظات اخلاقی در طراحی پرامپت برای مدلهای زبانی بزرگ 06:02
-
ابزارها و فریمورکهای NVIDIAs برای مهندسی پرامپت 05:07
-
ابزارهای اکوسیستم NVIDIA برای آموزش مدل LLM 04:00
-
تحلیل و مصورسازی داده برای LLMs 05:21
-
EDA برای LLMs 05:28
-
اصول طراحی تست برای LLMs 06:33
-
تکنیکها برای تست مدلهای زبانی بزرگ 05:43
-
مدیریت داده و کنترل نسخه برای تست LLM 04:27
-
ابزارهای اکوسیستم NVIDIA برای تست LLM، مدیریت داده و کنترل نسخه 05:41
-
یکپارچهسازی و استقرار LLM 08:09
-
ملاحظات استقرار برای مدلهای زبانی بزرگ 04:28
-
نظارت و نگهداری مدلهای زبانی بزرگ 05:22
-
توضیح پذیری و تفسیرپذیری مدلهای زبانی بزرگ 07:02
-
ابزارهای اکوسیستم NVIDIA برای یکپارچهسازی و استقرار 06:38
-
ساخت هوش مصنوعی قابل اعتماد و ابزارهای NVIDIA 07:05
-
هوش مصنوعی قابل اعتماد - راهنمای آزمون 01:51:47
-
نکات و دستورالعملهای آزمون - لطفاً این را کاملاً تماشا کنید 27:33
مشخصات آموزش
گواهینامه NVIDIA-Certified Associate - Generative AI LLMs (NCA-GENL)
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:97
- مدت زمان :18:10:49
- حجم :7.19GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy