آموزش همکار دارای گواهی NVIDIA - Generative AI LLM (NCA-GENL)

سرفصل ها و درس ها

مقدمه Introduction

• به دوره خوش آمدید Welcome to the Course

• دریافت منابع اسلاید - کد منبع Get Slide Resources - Source code

• چه چیزی این دوره را منحصر به فرد می کند What makes this course Unique

مبانی یادگیری ماشین Machine Learning Fundamentals

• مقدمه ای بر مبانی یادگیری ماشین Introduction to Machine Learning Fundamentals

• آزمون اصول ML ML Fundamentals Quiz

• درباره مربی About Instructor

• مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• انواع یادگیری ماشینی Types of Machine Learning

• رگرسیون خطی و معیارهای ارزیابی برای رگرسیون Linear Regression & Evaluation Metrics for Regression

• منظم سازی و مفروضات رگرسیون خطی Regularization and Assumptions of Linear Regression

• رگرسیون لجستیک Logistic Regression

• گرادیان نزول Gradient Descent

• پیاده سازی رگرسیون لجستیک و EDA Logistic Regression Implementation and EDA

• معیارهای ارزیابی برای طبقه بندی Evaluation Metrics for Classification

• الگوریتم های درخت تصمیم Decision Tree Algorithms

• توابع از دست دادن درختان تصمیم Loss Functions of Decision Trees

• پیاده سازی الگوریتم درخت تصمیم Decision Tree Algorithm Implementation

• Overfit در مقابل Underfit - اعتبارسنجی Kfold Cross Overfit Vs Underfit - Kfold Cross validation

• تکنیک های بهینه سازی فراپارامتر Hyperparameter Optimization Techniques

• الگوریتم KNN KNN Algorithm

• الگوریتم SVM SVM Algorithm

• آموزش گروه - طبقه بندی رأی Ensemble Learning - Voting Classifier

• آموزش گروهی - دسته‌بندی کیسه‌ای و جنگل تصادفی Ensemble Learning - Bagging Classifier & Random Forest

• Ensemble Learning - تقویت Adabost و Gradient Boost Ensemble Learning - Boosting Adabost and Gradient Boost

• Emsemble Learning XGBoost Emsemble Learning XGBoost

• خوشه بندی - Kmeans Clustering - Kmeans

• خوشه بندی - خوشه بندی سلسله مراتبی Clustering - Hierarchial Clustering

• خوشه بندی - DBScan Clustering - DBScan

• تجزیه و تحلیل سری زمانی Time Series Analysis

• ARIMA Hands On ARIMA Hands On

مبانی یادگیری عمیق Fundamentals of Deep Learning

• مبانی یادگیری عمیق - مقدمه Deep Learning Fundaments - Introduction

• مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

• مقدمه ای بر تنسورفلو و ایجاد اولین شبکه عصبی Introduction to Tensorflow & Create first Neural Network

• شهود آموزش یادگیری عمیق Intuition of Deep Learning Training

• تابع فعال سازی Activation Function

• معماری شبکه های عصبی Architecture of Neural Networks

• آموزش مدل یادگیری عمیق. - دوره ها - اندازه دسته ای Deep Learning Model Training. - Epochs - Batch Size

• تنظیم فراپارامتر در یادگیری عمیق Hyperparameter Tuning in Deep Learning

• گرادیان های در حال انفجار و انفجار - مقداردهی اولیه، منظم سازی Vanshing & Exploding Gradients - Initializations, Regularizations

• مقدمه ای بر شبکه های عصبی کانولوشنال Introduction to Convolutional Neural Networks

• پیاده سازی CNN در مجموعه داده CatDog Implementation of CNN on CatDog Dataset

• آموزش انتقال برای بینایی کامپیوتر Transfer Learning for Computer Vision

• چالش های شبکه عصبی فید فوروارد Feed Forward Neural Network Challenges

• RNN و انواع معماری RNN & Types of Architecture

• معماری LSTM LSTM Architecture

• مکانیسم توجه Attention Mechanism

• انتقال یادگیری برای داده های زبان طبیعی Transfer Learning for Natural Language Data

ملزومات NLP Essentials of NLP

• مقدمه ای بر بخش NLP Introduction to NLP Section

• مقدمه ای بر وظایف NLP و NLP Introduction to NLP and NLP Tasks

• آشنایی با خط لوله NLP Understanding NLP Pipeline

• تکنیک های پیش پردازش متن - توکن سازی Text Preprocessing Techniques - Tokenization

• پیش‌پردازش متن - برچسب‌گذاری پوز، توقف کلمات، ریشه‌یابی و یکپارچه‌سازی Text Preprocessing - Pos Tagging, Stop words, Stemming & Lemmatization

• استخراج ویژگی - NLP Feature Extraction - NLP

• یک تکنیک رمزگذاری داغ One Hot Encoding Technique

• کیسه کلمات و شمارش بردار Bag of Words & Count Vectorizer

• امتیاز TF IDF TF IDF Score

• جاسازی کلمات Word Embeddings

• CBoW و Skip gram - embeddings word CBoW and Skip gram - word embeddings

مدل های زبان بزرگ Large Language Models

• مقدمه ای بر مدل های زبان بزرگ Introduction to Large Language Models

• چگونه مدل های زبان بزرگ (LLM) آموزش می بینند How Large Language Models (LLMs) are trained

• قابلیت های LLM Capabilities of LLMs

• چالش های LLM Challenges of LLMs

• مقدمه ای بر ترانسفورماتورها - توجه تنها چیزی است که نیاز دارید Introduction to Transformers - Attention is all you need

• رمزگذاری های موقعیتی Positional Encodings

• رمزگذاری های موقعیتی - شیرجه عمیق Positional Encodings - Deep Dive

• توجه به خود و توجه چند سر Self Attention & Multi Head Attention

• توجه به خود و توجه چند سر - شیرجه عمیق Self Attention & Multi Head Attention - Deep Dive

• درک توجه چند سر ماسک شده Understanding Masked Multi Head Attention

• توجه چند سر ماسک شده - شیرجه عمیق Masked Multi Head Attention - Deep Dive

• معماری رمزگشا رمزگذار Encoder Decoder Architecture

• سفارشی سازی LLM - مهندسی سریع Customization of LLMs - Prompt Engineering

• سفارشی سازی LLMs - Prompt Learning - Prompt Tuning & p-tuning Customization of LLMs - Prompt Learning - Prompt Tuning & p-tuning

• تفاوت بین تنظیم سریع و تنظیم p Difference between Prompt Tuning and p-tuning

• PEFT - تنظیم دقیق کارآمد پارامتر PEFT - Parameter Efficient Fine Tuning

• داده های آموزشی برای LLM Training data for LLMs

• ارکان داده های آموزشی LLM: کیفیت، تنوع و اخلاق Pillars of LLM Training Data: Quality, Diversity, and Ethics

• پاکسازی داده ها برای LLM ها Data Cleaning for LLMs

• سوگیری ها در مدل های زبان بزرگ Biases in Large Language Models

• توابع از دست دادن برای LLM Loss Functions for LLMs

مهندسی سریع برای آزمون NCA-GENL Prompt Engineering for the NCA-GENL Exam

• مهندسی سریع چیست؟ What is Prompt Engineering ?

• مهندسی سریع پیشرفته Advanced Prompt Engineering

• تکنیک هایی برای اعلان های موثر Techniques for Effective Prompts

• ملاحظات اخلاقی در طراحی سریع برای مدل های زبان بزرگ Ethical Considerations in Prompt Design for Large Language Models

• ابزارها و چارچوب های NVIDIA برای مهندسی سریع NVIDIA's Tools and Frameworks for Prompt Engineering

• ابزارهای اکوسیستم NVIDIA برای آموزش مدل LLM NVIDIA Ecosystem tools for LLM Model Training

تجزیه و تحلیل داده ها و تجسم Data Analysis and Visualization

• تجسم داده ها و تجزیه و تحلیل LLM Data Visualization & Analysis of LLMs

• EDA برای LLM EDA for LLMs

آزمایش Experimentation

• اصول طراحی آزمایشی برای LLM Experiment Design Principles for LLMs

• تکنیک‌هایی برای آزمایش مدل‌های زبان بزرگ Techniques for Large Language Models Experimentation

• مدیریت داده و کنترل نسخه برای آزمایش LLM Data Management and Version Control for LLM experimentation

• ابزارهای اکوسیستم NVIDIA برای آزمایش LLM، مدیریت داده و ادامه نسخه NVIDIA Ecosystem tools for LLM Experimentation, Data Management and Version Cont

ادغام و استقرار LLM LLM integration & Deployment

• یکپارچه سازی و استقرار LLM LLM Integration and Deployment

• ملاحظات استقرار برای مدل های زبان بزرگ Deployment Considerations for Large Language Models

• نظارت و نگهداری از مدل های زبان بزرگ Monitoring and Maintenance of Large Language Models

• توضیح پذیری و تفسیرپذیری مدل های زبان بزرگ Explainability and Interpretability of Large Language Models

• ابزارهای اکوسیستم NVIDIA برای استقرار و ادغام NVIDIA Ecosystem Tools for Deployment and Integration

هوش مصنوعی قابل اعتماد Trustworthy AI

• ساخت ابزارهای قابل اعتماد AI و NVIDIA Building Trustworthy AI & NVIDIA Tools

• هوش مصنوعی قابل اعتماد - راهنمای امتحان Trustworthy AI - Exam Guide

مهم - برنامه ریزی آزمون ها - راهنمای ثبت نام آزمون Important - Exam Scheduling - Exam Registration Guide

• نکات و دستورالعمل های امتحان - این را به طور کامل تماشا کنید Exam Tips & Instructions - watch this completely