آموزش هوش مصنوعی قابل توضیح (XAI) برای هوش مصنوعی مولد - آخرین آپدیت

دانلود Explainable AI (XAI) For Generative AI

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

ساخت سیستم‌های هوش مصنوعی مولد قابل اعتماد با تکنیک‌های XAI

موضوعات کلیدی دوره:

  • آشنایی با هوش مصنوعی مولد (Generative AI)؛ کاربردها و چالش‌ها
  • معرفی ابزارهای مختلف هوش مصنوعی مولد مانند ChatGPT و Claude
  • مقدمه‌ای بر مهندسی پرامپت (Prompt Engineering)
  • آموزش ساخت مدل زبان بزرگ (LLM) خودتان برای هوش مصنوعی مولد
  • مقدمه‌ای بر هوش مصنوعی قابل توضیح (XAI) و پیاده‌سازی آن

توضیحات دوره:

جعبه سیاه هوش مصنوعی مولد را با دوره جامع "هوش مصنوعی قابل توضیح (XAI) برای هوش مصنوعی مولد" باز کنید. این دوره برای ایجاد پلی بین مدل‌های مولد پیشرفته و سیستم‌های هوش مصنوعی مسئولانه و قابل تفسیر طراحی شده است. چه یک دانشمند داده، مهندس یادگیری ماشین یا علاقه‌مند به هوش مصنوعی باشید، این دوره به شما قدرت می‌دهد تا راه‌حل‌های شفاف، پاسخگو و قابل اعتماد GenAI بسازید و پیاده‌سازی کنید.

با بررسی چارچوب‌های هوش مصنوعی مولد، تفاوت آن‌ها با مدل‌های زبان بزرگ (LLMs) سنتی و زمان استفاده از هر کدام شروع خواهید کرد. با پلتفرم پیشرو منبع باز Hugging Face برای دسترسی و کار با مدل‌های از پیش آموزش‌دیده در وظایف مختلف مولد، تجربه عملی کسب خواهید کرد.

این دوره تکنیک‌های اولیه مهندسی پرامپت را برای هدایت مؤثر و قابل پیش‌بینی مدل‌های مولد معرفی می‌کند. سپس به مبانی هوش مصنوعی قابل توضیح (XAI) می‌پردازید - اینکه چیست، چرا اهمیت دارد و چالش‌های منحصر به فردی که در زمینه‌های مولد مانند تولید متن و تصویر ارائه می‌دهد.

روش‌های عملی برای پیاده‌سازی XAI در سیستم‌های مولد مبتنی بر متن و شرطی را خواهید آموخت، از جمله تکنیک‌هایی مانند بصری‌سازی توجه، تحلیل فضای نهان (latent space analysis) و ابزارهای توضیح‌دهنده پس از وقوع (post-hoc) مانند LIME و SHAP. در نهایت، یاد می‌گیرید که چگونه XAI را از طریق مهندسی پرامپت عملیاتی کنید، پرامپت‌هایی بسازید که نه تنها خروجی مدل را هدایت می‌کنند، بلکه از طریق Chain of Thought و سایر استراتژی‌های پرامپت‌نویسی با تمرکز بر قابلیت توضیح، استدلال شفاف را نیز استخراج می‌کنند.

در پایان دوره، مهارت‌های لازم برای ساخت سیستم‌های هوش مصنوعی مولد قابل تفسیرتر، مسئولانه‌تر و هم‌راستا با انسان را کسب خواهید کرد - آماده برای استفاده در محیط‌های عملیاتی و برنامه‌های کاربردی با ریسک بالا.

چرا باید در دوره من شرکت کنید؟

من دارای مدرک MPhil (جغرافیا و محیط زیست) از دانشگاه آکسفورد انگلستان هستم. همچنین دکترای علوم داده (اکولوژی و حفاظت گرمسیری) را از دانشگاه کمبریج به پایان رسانده‌ام.

من چندین سال تجربه در زمینه تحلیل داده‌های واقعی از منابع مختلف و تولید مقالات برای ژورنال‌های بین‌المللی با داوری همتا دارم.

پیش‌نیازها:

  • تجربه قبلی در استفاده از نوت‌بوک‌های Jupyter
  • علاقه به دانستن بیشتر در مورد فناوری‌های پشت ChatGPT و Gemini
  • آشنایی با اصطلاحات رایج هوش مصنوعی مولد و LLM
  • دسترسی به حساب کاربری گوگل

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • کد دوره و داده‌ها Course Code and Data

  • هوش مصنوعی چیست؟ What is AI

  • نصب پایتون ۳ Install Python 3

  • مقدمه‌ای بر Colab Introduction to Colab

  • استفاده از GPU در Colab Incorporating GPU in Colab

  • دسترسی به گوگل درایو از طریق Colab Access Your Google Drive Via Colab

هوش مصنوعی مولد چیست؟ What is Generative AI?

  • هوش مصنوعی مولد و مدل‌های زبان بزرگ (LLMs) Of Generative AI and LLMs

  • هوش مصنوعی مولد غیر LLM Non-LLM Gen AI

  • مدل‌های رایج هوش مصنوعی مولد Common Gen AI Models

  • هوش مصنوعی مولد در GCP ها Gen AI on GCPs

  • چگونه هوش مصنوعی مولد داده‌های شما را به سطح بعدی می‌برد How Gen AI Takes Your Data To the Next Level

  • هوش مصنوعی مولد بدون کد Code Free Gen Ai

  • کاوش فضای هوش مصنوعی مولد از طریق ChatGPT Explore the Gen AI Space Via Chat GPT

  • GPT ها GPTs

مقدمه‌ای بر چارچوب‌های رایج هوش مصنوعی مولد و LLM Introduction to Common Gen AI and LLM Frameworks

  • گردش کار LLM LLM Workflow

  • Hugging Face چیست؟ What Is Hugging Face?

  • با Hugging Face آشنا شوید Say Hello To Hugging Face

  • LLM ها از طریق Hugging Face LLMs Via Hugging Face

  • مهندسی پرامپت با Langchain Prompt Engineering With Langchain

  • نکات مربوط به مهندسی پرامپت Points About Prompt Engineering

  • نکات بیشتر در مورد پرامپت‌دهی More Points on Prompting

  • نکات بیشتر در مورد پرامپت‌دهی More on Prompting

  • نظریه بهینه‌سازی LLM Theory of LLM Optimisation

  • تنظیم دقیق LLM LLM Fine Tuning

  • بهینه‌سازی LLM LLM Optimisation

هوش مصنوعی قابل توضیح چیست؟ What In Explainable AI?

  • توضیحی درباره هوش مصنوعی قابل توضیح An Explantation of Explainable AI

  • مروری بر چشم‌انداز XAI Overview of the XAI Landscape

  • LIME چیست؟ What Is LIME?

  • استفاده از LIME برای وظایف NLP و LLM Using LIME For NLP and LLM Tasks

  • تنظیم یک مسئله NLP Set Up an NLP problem

  • LIME XAI برای NLP LIME XAI For NLP

  • تنظیم مسئله LLM Set Up LLM Problem

  • LIME XAI برای LLM LIME XAI For LLM

  • شبکه مولد تخاصمی (GAN) - مقدمه کوتاه Generative Adversarial Network (GAN)- Brief Intro

  • LIME XAI برای GAN ها LIME XAI For GANs

  • LIME و SHAP برای توضیح مدل Of LIMEAnd SHAP For Model Explanation

  • مثالی از Shapely A Shapely Example

مهندسی پرامپت برای XAI Prompt Engineering For XAI

  • یک پنی برای افکارتان؟ A Penny For Your Thoughts?

  • بیایید پرامپت دهیم Lets Prompt

منابع متفرقه Miscellaneous Resources

  • مقدمه‌ای بر چارچوب Mistral Intro to the Mistral Framework

  • توهم در LLM ها Hallucinations in LLMs

نمایش نظرات

آموزش هوش مصنوعی قابل توضیح (XAI) برای هوش مصنوعی مولد
جزییات دوره
3 hours
42
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
257
4.8 از 5
ندارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم