نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
رتبهبندی تنها به معنای امتیازدهی دقیق به کاندیدها نیست. سیستمهای توصیهگر در محیط عملیاتی باید بین اهداف متضاد تعاملی تعادل برقرار کنند، محدودیتهای تجاری را اعمال نمایند و از هوش مصنوعی مولد برای ارائه نتایج مرتبط، منصفانه و متنوع استفاده کنند. این دوره به شما میآموزد تا مراحل نهایی رتبهبندی را با استفاده از معماریهای چندوظیفهای (Multi-task)، لایههای پسپردازش رتبهبندی مجدد و خط لولههای تقویتشده با LLM بهینه کنید.
شما معماریهای MMoE و PLE را در PyTorch طراحی خواهید کرد تا تداخل وظایف را در اهداف تعاملی مانند ذخیرهسازی (Saves)، زمان توقف (Dwell Time) و اشتراکگذاری (Shares) ایزوله کنید. همچنین از MMR و بهینهسازی بیزی برای اعمال محدودیتهای تنوع، تازگی و عدالت در نمایش تولیدکنندگان محتوا استفاده خواهید کرد. علاوه بر این، با ارجاع به اصول 360Brew لینکدین، معماریهای پروکسی توصیهگر مولد را با استفاده از Embeddingهای Azure OpenAI و رتبهبندهای LLM با روشهای Zero-shot و Few-shot خواهید ساخت.
این دوره برای مهندسان ارشد یادگیری ماشین و مهندسان پلتفرم توصیهگر که مسئول بهینهسازی پس از رتبهبندی، امتیازدهی چندهدفه و یکپارچهسازی خط لوله LLM هستند، طراحی شده است. پیشنیاز این دوره تسلط بر Python، PyTorch و معیارهای اصلی ارزیابی رتبهبندی است.
سرفصل ها و درس ها
رتبهبندی مجدد: قوانین تجاری و تنوع
Re-Ranking: Business Rules & Diversity
مرحله نهایی: چرا رتبهبندی مجدد اهمیت دارد
The Final Mile: Why Re-Ranking Matters
رتبهبندی مجدد: عدالت و سوگیری در نمایش
Re-Ranking: Fairness & Exposure Bias
محدودیتهای عدالت در پسپردازش
Fairness Constraints in Post-Processing
معماری چندوظیفهای: MMoE و PLE
Multi-Task Arch: MMoE & PLE
تهدید انتقال منفی (Negative Transfer)
The Threat of Negative Transfer
نمایش نظرات