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

دانلود NVIDIA-Certified Associate - Generative AI LLMs (NCA-GENL)

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: متخصص هوش مصنوعی مولد دارای گواهینامه NVIDIA (آمادگی آزمون NCA-GENL) مبانی یادگیری ماشینی مبانی یادگیری عمیق مبانی هوش مصنوعی و LLMهای تولیدی NVIDIA GPU Acceleration مهندسی سریع NCA-GENL آمادگی آزمون NCA-GENL دسترسی به یک کامپیوتر با اتصال به اینترنت برای یادگیری آنلاین

آمادگی آزمون NVIDIA Generative AI LLM (NCA-GENL): یک متخصص خبره AI مولد شوید

برای شرکت در آزمون گواهینامه NVIDIA Generative AI LLMs (NCA-GENL) آماده شوید و گواهینامه خود را به عنوان متخصص هوش مصنوعی مولد دریافت کنید! این دوره جامع برای تجهیز شما به دانش عمیق و مهارت‌های عملی مورد نیاز برای برتری در دنیای هوش مصنوعی مولد و مدل‌های زبان بزرگ (LLM) طراحی شده است و از فناوری پیشرفته NVIDIA استفاده می‌کند.

آنچه برای تسلط بر آزمون NCA-GENL یاد خواهید گرفت:

  • مبانی یادگیری ماشین: درک خود را از اصول، الگوریتم‌ها و تکنیک‌های یادگیری ماشین، که برای درک عملکرد درونی هوش مصنوعی مولد ضروری است، تثبیت کنید.

  • اصول یادگیری عمیق: در معماری‌های یادگیری عمیق، شبکه‌های عصبی و روش‌های آموزشی که LLMها را برای تولید متن، تصاویر و سایر اشکال محتوا توانمند می‌سازد.

  • هوش مصنوعی و LLM های مولد: درک عمیقی از مفاهیم هوش مصنوعی مولد، معماری های مدل (مانند ترانسفورماتورها) و قابلیت های منحصر به فرد مدل های زبان بزرگ به دست آورید.

  • NVIDIA GPU Acceleration: از قدرت پردازنده‌های گرافیکی NVIDIA برای آموزش مدل‌های شتاب‌زده، استنتاج و استقرار استفاده کنید و از عملکرد و کارایی بهینه در برنامه‌های کاربردی دنیای واقعی اطمینان حاصل کنید.

  • مهندسی سریع: در هنر مهندسی سریع تسلط داشته باشید، دستورات دقیق و مؤثر را برای راهنمایی LLMها در تولید خروجی های دلخواه، از تولید متن خلاق تا ترکیب کد پیچیده، ایجاد کنید.

  • برنامه‌های کاربردی دنیای واقعی: برنامه‌های متنوع و متحول کننده هوش مصنوعی مولد در صنایع، از جمله ایجاد محتوا، تولید کد، طراحی، ربات‌های گفتگو و موارد دیگر را کاوش کنید.

  • آمادگی آزمون NCA-GENL: راهنمایی و تمرین هدفمند دریافت کنید تا با اطمینان در آزمون گواهینامه NVIDIA Generative AI LLMs (NCA-GENL) نزدیک شوید و قبول شوید.

آیا این دوره برای شما مناسب است؟

این دوره برای:

ایده آل است
  • توسعه دهندگانی که به دنبال ادغام قابلیت های هوش مصنوعی مولد در برنامه های خود هستند.

  • دانشمندان داده علاقه مند به استفاده از قدرت LLM برای تجزیه و تحلیل متن، پردازش زبان طبیعی، و بینش های مبتنی بر داده هستند.

  • علاقه مندان به یادگیری ماشینی مشتاق کشف خط مقدم تحقیقات هوش مصنوعی، تولید متن و فناوری های پردازش زبان هستند.

  • حرفه‌ای‌های هوش مصنوعی با هدف ارتقاء مجموعه مهارت‌های خود، پیشرفت شغلی و دستیابی به هوش مصنوعی معتبر NVIDIA Generative با گواهینامه LLM.

پیش نیازها:

  • تجربه برنامه نویسی اولیه (پیتون توصیه می شود)

  • درک اساسی مفاهیم یادگیری ماشین

  • دسترسی به رایانه با اتصال به اینترنت برای یادگیری آنلاین

اکنون ثبت نام کنید و گواهینامه دریافت کنید!

خود را برای یک حرفه پربار در هوش مصنوعی مولد آماده کنید. مهارت ها و دانش را برای توسعه و استقرار راه حل های خلاقانه هوش مصنوعی با فناوری قدرتمند NVIDIA به دست آورید. امتحان NCA-GENL را با اطمینان پشت سر بگذارید و به یک متخصص مورد تقاضا در این زمینه تبدیل شوید.


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

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش همکار دارای گواهی NVIDIA - Generative AI LLM (NCA-GENL)
جزییات دوره
18 hours
98
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
886
4.5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Manifold AI Learning ® Manifold AI Learning ®

آینده را بیاموزید - علم داده، یادگیری ماشین و هوش مصنوعی