آموزش ساخت و استقرار مدل‌های هوش مصنوعی مولد (Generative AI) - آخرین آپدیت

ساخت ترنسفورمر از صفر Building Transformer From Scratch

• معرفی دوره Course Introduction

• آشنایی با مدرس: امرین انبار Meet your instructor: Amreen Anbar

• آشنایی با مدرس: آناهیتا دوستی Meet your instructor: Anahita Doosti

• آشنایی با مدرس: سروش رضوی Meet your instructor: Soroush Razavi

• ترنسفورمر: رونمایی از تکامل Transformer: Evolution Unveiled

• ترنسفورمر: انواع Transformer: Types

• ترنسفورمر: اجزاء Transformer: The Components

• آماده‌سازی: محیط، کتابخانه‌ها و داده‌ها Setting The Stage: Environment, Libraries and Data

• فراتر از تئوری: بیایید یک ترنسفورمر بسازیم! Looking beyond theory: Let’s Build a Transformer!

• فراتر از تئوری: آموزش و تولید متن Looking beyond theory: Training and Text Generation

• ساخت خلاصه‌ساز کامل Encoder-Decoder: رمزگذار، رمزگشا و مکانیسم Cross Attention Building the Complete Encoder-Decoder Summarizer: Encoder, Decoder, and the Cross-Attention Mechanism

• ساخت خلاصه‌ساز کامل Encoder-Decoder: Teacher Forcing، تابع زیان و استنباط Building the Complete Encoder-Decoder Summarizer: Teacher Forcing, Loss, and Inference

• مقیاس‌بندی معماری: از توکن‌های کاراکتری تا BPE و داده‌های عظیم Scaling the Architecture: From Character Tokens to BPE and Massive Data

• مقیاس‌بندی معماری: بهینه‌سازی با کارایی بالا (AMP) و ارزیابی ROUGE Scaling the Architecture: High-Performance Optimization (AMP) and ROUGE Evaluation

• سنتز: پیاده‌سازی ترنسفورمر مترجم Synthesis: Implementation of the Translator Transformer

• عبور از سد آموزش: کاربردهای قدرتمند LLM بدون نیاز به محاسبات عظیم Bypass the Training Wall: Powerful LLM Applications Without Massive Compute

• رویکرد بهینه در مصرف منابع: استفاده از مدل‌های پیش‌آموزش‌دیده برای خلاصه‌سازی A Resource-Efficient Approach: Using pre-trained models for Summarization

• رویکرد بهینه در مصرف منابع: استفاده از مدل‌های پیش‌آموزش‌دیده برای ترجمه A Resource-Efficient Approach: Using Pre-trained Models for Translation

تولید تقویت‌شده با بازیابی (RAG): پر کردن شکاف دانش مدل‌های زبانی بزرگ Retrieval Augmented Generation (RAG): Bridging the LLM Knowledge Gap

• RAG چیست؟ What is RAG?

• ساخت یک RAG ساده از صفر با Ollama (بخش اول) Building a Minimal RAG from Scratch with Ollama (Part 1)

• ساخت یک RAG ساده از صفر با Ollama (بخش دوم) Building a Minimal RAG from Scratch with Ollama (Part 2)

• خط لوله RAG بهبود یافته با LangChain An Improved RAG Pipeline with LangChain

• ارزیابی RAG و معیارهای سنجش RAG Evaluation and Metrics

• پیاده‌سازی ارزیابی RAG Implementing RAG Evaluation

• بارگذارهای سند و استراتژی‌های تکه‌بندی (Chunking) Document Loaders and Chunking Strategies

• ذخیره‌سازهای برداری و ایندکس‌گذاری Vector Stores and Indexing

• بازرتبه‌بندی و فشرده‌سازی متنی Reranking and Contextual Compression

• تبدیل پرس‌وجو (Query Transformation) Query Transformation

• انتخاب مدل‌های مناسب برای RAG شما Pick the Right Models for your RAG

• Fine-tuning چیست؟ What is Finetuning?

• مقایسه RAG و Fine-tuning: کدام یک را انتخاب کنیم؟ RAG vs. Finetuning: Which one to choose?

عامل‌های هوش مصنوعی با ADK AI Agents with ADK

• عامل (Agent) چیست؟ What is an Agent?

• رویکردهای مختلف برای ساخت عامل‌ها Different Approaches to Building Agents

• رویکرد ما در این دوره Our Approach in This Course

• ویژگی‌ها و ابزارهای ADK ADK Features and Tools

• راه اندازی محیط ابری Setting Up the Cloud Environment

• راه اندازی محیط محلی Setting Up the Local Environment

• از عامل‌های پایه تا پیشرفته From Basic to Advanced Agents

• مسیرهای استقرار برای عامل‌های ADK Deployment Pathways for ADK Agents

• نصب پروژه: مدیریت وابستگی‌ها و محیط Project Installation: Dependency and Environment Management

• ساختار و جریان کاری عامل Agent Structure and Workflow

• اجرای عامل بخش اول: مقداردهی اولیه Running The Agent Part 1: Initiating

• اجرای عامل بخش دوم: تحلیل Running The Agent Part 2: Analyzing

• استقرار عامل در فضای ابری Deploying Agent to The Cloud

• مانیتورینگ استقرار در GCP Monitoring The Deployment on GCP

• جمع‌بندی نهایی Wrap Up