آموزش پارامترهای Amazon Bedrock و رفتار مدل - آخرین آپدیت

دانلود Amazon Bedrock Parameters and Model Behavior

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به دست آوردن نتایج سازگار و مقرون‌به‌صرفه از Amazon Bedrock فراتر از ارسال یک پرامپت ساده به مدل است. این امر نیازمند تصمیمات هوشمندانه در مورد انتخاب مدل، نحوه پیکربندی رفتار آن و ساختار داده‌های ارسالی است. در این دوره آموزشی با عنوان «پارامترهای Amazon Bedrock و رفتار مدل»، شما یاد می‌گیرید که چگونه هر اهرمی که خروجی مدل‌های پایه (Foundation Models) را در محیط Amazon Bedrock شکل می‌دهد، کنترل کنید. ابتدا، فضای مدل‌های پایه موجود در Bedrock، از جمله خانواده‌های Amazon Nova، Anthropic Claude، Meta Llama و Mistral را بررسی خواهید کرد. سپس، نحوه عملکرد پارامترهای استنتاج (Inference Parameters) مانند Temperature، Top-p و Max Tokens را در پشت صحنه کشف می‌کنید و به طور عملی خواهید دید که چگونه تنظیم این موارد، میزان تصادفی بودن، طول و قطعیت پاسخ‌ها را تغییر می‌دهد. در نهایت، یاد می‌گیرید که چگونه انتخاب‌های مربوط به پرامپت و پارامترها مستقیماً بر هزینه صورت‌حساب Bedrock شما تأثیر می‌گذارد؛ در این بخش با قیمت‌گذاری مبتنی بر توکن آشنا شده و تنظیماتی هدفمند برای کنترل هزینه‌ها بدون کاهش کیفیت نتایج انجام خواهید داد. پس از اتمام این دوره، شما مهارت‌ها و مدل‌های ذهنی لازم برای پیکربندی Amazon Bedrock جهت محیط‌های عملیاتی (Production) را خواهید داشت و قادر خواهید بود مدل مناسب را انتخاب کنید، پارامترها را به دقت تنظیم نمایید، پرامپت‌های قابل اعتماد بسازید و هزینه‌ها را پیش‌بینی‌پذیر نگه دارید.

سرفصل ها و درس ها

انتخاب مدل پایه مناسب Choosing the right foundation model

  • خانواده‌های مدل و معیارهای انتخاب Model families and selection criteria

  • رابط API متنی و قابلیت جابجایی مدل‌ها The converse API and model portability

  • دمو: مقایسه مدل‌ها در محیط Bedrock Playground Demo: comparing models in the bedrock playground

پیکربندی پارامترهای استنتاج برای کنترل تغییرات خروجی مدل Configure inference parameters to control model output variability

  • بررسی Temperature، Top P و Top K Temperature, Top-P, and Top-K

  • حداکثر توکن‌ها، توالی‌های توقف و کنترل طول پاسخ Max tokens, stop sequences, and length control

  • دمو: تنظیم پارامترها در Playground Demo: Tuning parameters in the playground

ساختاردهی به پرامپت‌ها برای شکل‌دهی قابل اعتماد به پاسخ‌های مدل Structure prompts to reliably shape model responses

  • سازماندهی پرامپت‌ها با ساختاری شفاف Organizing prompts with clear structure

  • اجبار به خروجی ساختاریافته و کاهش توهمات مدل Enforcing structured output and reducing hallucinations

  • دمو: ساخت گام‌به‌گام یک پرامپت قابل اعتماد Demo: Building a reliable prompt step-by-step

بررسی تأثیر انتخاب‌های پرامپت و پارامترها بر هزینه Explain how prompt and parameter choices affect cost

  • نحوه عملکرد قیمت‌گذاری Bedrock How bedrock pricing works

  • شناسایی و کاهش اتلاف توکن‌ها Identifying and reducing token waste

  • دمو: اندازه‌گیری و کاهش هزینه در یک پرامپت واقعی Demo: Measuring and reducing cost on a real prompt

نمایش نظرات

آموزش پارامترهای Amazon Bedrock و رفتار مدل
جزییات دوره
52m
12
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
2
از 5
دارد
دارد
دارد
Mario Mercado
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mario Mercado Mario Mercado

ماریو مرکادو یک مهندس سیستم است که تقریباً 10 سال در صنعت نرم افزار و فناوری اطلاعات کار می کند. او به عنوان توسعه دهنده نرم افزار و مهندس تضمین کیفیت نقش داشته است. در 5 سال گذشته، او با AWS کار کرده است و به چندین شرکت کمک می کند تا به بهترین معماری خود در فضای ابری دست یابند. در حال حاضر ماریو بر روی Kubernetes و به طور کلی کانتینرها و توسعه خطوط لوله CICD برای چندین پروژه و میکروسرویس متمرکز شده است. او یک جامعه ساز AWS است، دارای گواهینامه های AWS Solutions Architect Associate، AWS Solutions Architect Professional و گواهینامه های تخصصی امنیت است. او همچنین نویسنده دوره هایی مانند "Hands-on with Amazon EKS" و "Advanced Terraform with AWS" در Pluralsight/A Cloud Guru است. او همچنین یک نوازنده است، بنابراین با اصطلاح "ارکستراسیون" به طور کلی آشنا است.).