آموزش تخصصی فاین‌تونیگ (Fine-Tuning) و شخصی‌سازی مدل‌های زبانی بزرگ (LLM) - آخرین آپدیت

دانلود LLM Fine-Tuning and Customization Training

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: دوره جامع فاین‌تونیگ LLM شما را با مهارت‌های لازم برای بهینه‌سازی و استقرار مدل‌های زبانی بزرگ تخصصی برای کاربردهای پیشرفته هوش مصنوعی مولد (Generative AI) آشنا می‌کند. در این دوره ابتدا با مفاهیم بنیادی آغاز می‌کنیم؛ یادگیری فاین‌تونیگ نظارت‌شده (Supervised Fine-Tuning)، روش‌های بهینه در مصرف پارامتر (PEFT) و یادگیری تقویت‌شده با بازخورد انسانی (RLHF). سپس در آماده‌سازی داده‌ها، تنظیم هایپرپارامترها و استراتژی‌های کلیدی ارزیابی تسلط خواهید یافت. در ادامه، پیاده‌سازی با استفاده از فریمورک‌ها و کتابخانه‌های LLM را بررسی کرده و بهترین روش‌ها برای انتخاب مدل، نظارت بر سوگیری (Bias) و کنترل بیش‌برازش (Overfitting) را به کار می‌گیرید. در نهایت، با پروژه‌های عملی، مدل Falcon-7B را فاین‌تونیگ کرده و یک اپلیکیشن تولید تصویر با استفاده از LangChain و OpenAI DALL·E می‌سازید. پیش‌نیازهای این دوره شامل تسلط بر زبان برنامه‌نویسی پایتون، مفاهیم بنیادی یادگیری عمیق (Deep Learning) و آشنایی قبلی با مدل‌های زبانی بزرگ است. در پایان این دوره شما قادر خواهید بود: - مدل‌های LLM را با استفاده از روش‌های PEFT، RLHF و متدهای نظارت‌شده فاین‌تونیگ کنید - مجموعه‌داده‌ها را آماده کرده و هایپرپارامترها را برای تنظیم مدل بهینه کنید - مدل‌های فاین‌تونیگ شده را با استفاده از فریمورک‌های GenAI ارزیابی و مستقر کنید - مفاهیم تنظیم مدل را در کاربردهای واقعی مانند Falcon-7B و اپلیکیشن‌های DALL·E پیاده‌سازی کنید این دوره برای توسعه‌دهندگان هوش مصنوعی، مهندسان یادگیری ماشین (ML) و پژوهشگران GenAI ایده‌آل است.

سرفصل ها و درس ها

مبانی فاین‌تونیگ مدل‌های زبانی بزرگ Foundations of LLM Fine-Tuning

  • اهداف یادگیری Learning objectives

  • مبانی فاین‌تونیگ LLM Basics of LLM Fine-Tuning

  • اصول بنیادین فاین‌تونیگ در LLM Fundamentals of Fine-Tuning of LLM

  • آماده‌سازی داده‌ها برای تنظیم LLM Data Preparation for LLM Tuning

  • دمو: آماده‌سازی داده‌ها برای فاین‌تونیگ Demo: Data Preparation for Fine-Tuning

  • روش‌های مختلف فاین‌تونیگ Various Methods of Fine-Tuning

  • فاین‌تونیگ نظارت‌شده (SFT) Supervised Fine-Tuning

  • فاین‌تونیگ بهینه در پارامتر (PEFT) Parameter-Efficient Fine-Tuning (PEFT)

  • متدهای فاین‌تونیگ بهینه در پارامتر (PEFT) Parameter-Efficient Fine-Tuning (PEFT) Methods

  • یادگیری تقویت‌شده با بازخورد انسانی (RLHF) Reinforcement Learning with Human Feedback (RLHF)

  • مثال‌ها و کاربردهای RLHF RLHF: Examples and Applications

  • تنظیم هایپرپارامترها در فاین‌تونیگ Hyperparameter Tuning in Fine-Tuning

  • بهینه‌سازی هایپرپارامترها Hyperparameter Tuning

ارزیابی، پیاده‌سازی و بهترین روش‌ها Evaluation, Implementation, and Best Practices

  • بهینه‌سازی و ارزیابی مدل‌های فاین‌تونیگ شده Optimizing and Evaluating Fine-Tuned Models

  • فاین‌تونیگ و بهینه‌سازی هایپرپارامترها Fine-Tuning and Hyperparameter Optimization

  • فاین‌تونیگ مدل‌های زبانی بزرگ Fine-Tuning Large Language Models

  • فریمورک‌های فاین‌تونیگ LLM LLM Fine-Tuning Frameworks

  • کتابخانه‌ها و پلتفرم‌های کلیدی فاین‌تونیگ LLM LLM Fine-Tuning: Key Libraries and Platforms

  • آماده‌سازی داده‌ها، انتخاب مدل و نظارت بر بیش‌برازش Data Preparation, Model Selection and Monitor Overfitting

  • تنظیم هایپرپارامتر، آگاهی از سوگیری و ارزیابی مدل Hyperparameter Tuning, Bias Awareness and Model Evaluation

  • دمو: فاین‌تونیگ مدل Falcon 7b در محیط شخصی Demo: Finetune Falcon-7b Own Instance LLM

  • دمو: ساخت اپلیکیشن تولید تصویر با LangChain و OpenAI DALL E Demo: Build an Image Generation App with LangChain and OpenAI DALL-E

  • جمع‌بندی و نکات کلیدی Key Takeaways

نمایش نظرات

آموزش تخصصی فاین‌تونیگ (Fine-Tuning) و شخصی‌سازی مدل‌های زبانی بزرگ (LLM)
جزییات دوره
4h 48m
23
(آخرین آپدیت)
861
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده