آموزش هوش مصنوعی با مدل‌های زبان بزرگ (LLM) و ترانسفورمرها؛ از نظریه تا استقرار و پیاده‌سازی - ۲۰۲۵ - آخرین آپدیت

دانلود AI with LLMs and Transformers;From Theory to Deployment-2025

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

تسلط بر LLMها با ترانسفورمرها: از تئوری تا استقرار

ساخت، آموزش و استقرار مدل‌های هوش مصنوعی با Docker و FastAPI

در این دوره جامع، مهارت‌های زیر را کسب خواهید کرد:

  • دانش عمیق از معماری‌های ترانسفورمر
  • استقرار LLM با Fast API و Docker
  • طراحی، ساخت و آموزش معماری LLM خود از پایه
  • ساخت توکنایزر سفارشی برای بدنه متن (Corpus) دلخواه شما
  • آموزش مدل GPT خودتان
  • کاربرد GPT2، T5، BART، BERT، DistilBERT و PEGASUS در وظایف دنیای واقعی
  • بهینه‌سازی مدل با تقطیر دانش (Knowledge Distillation)، کوانتیزیشن (Quantization)، ONNX و ONNX Runtime
  • کاربرد ترانسفورمرها در پرسش و پاسخ جدولی (Table Question Answering)
  • فاین تیونینگ PEGASUS برای خلاصه‌سازی گفتگو
  • فاین تیونینگ BERT برای تحلیل احساسات، جفت جملات و طبقه‌بندی چندکلاسه

پیش‌نیازها:

  • برنامه‌نویسی پایه پایتون (Basic Python Programming)
  • دانش بنیادین یادگیری ماشین (Fundamental Machine Learning Knowledge)
  • مبانی NLP (اختیاری)

هوش مصنوعی با LLMها و ترانسفورمرها (از A تا Z) فقط یک دوره آموزشی نیست؛ بلکه تجربه‌ای متحول‌کننده است که فراگیران را به تخصص، مهارت‌های عملی و طرز فکر نوآورانه‌ای مجهز می‌کند که برای پیمایش و پیشروی در چشم‌انداز همواره در حال تحول هوش مصنوعی ضروری است.

چرا این دوره را انتخاب کنید؟

  • یادگیری عملی و پروژه‌محور با کاربردهای دنیای واقعی
  • راهنمایی گام به گام در مورد آموزش، فاین تیونینگ و استقرار مدل‌ها
  • پوشش جامع تئوری و پیاده‌سازی عملی
  • یادگیری از متخصصان صنعت با تجربه عمیق در هوش مصنوعی
  • کسب مهارت‌های لازم برای ساخت و استقرار راهکارهای سفارشی هوش مصنوعی
  • درک چالش‌ها و راه حل‌ها در استقرار هوش مصنوعی در مقیاس بزرگ
  • تقویت مهارت‌های حل مسئله از طریق مطالعات موردی واقعی هوش مصنوعی

آنچه خواهید آموخت:

بخش 1: مقدمه (آشنایی با ترانسفورمرها)

  1. کاوش ماژول Pipeline ترانسفورمر:

    • درک فرآیند گام به گام جریان داده در یک مدل ترانسفورمر و کسب بینش نسبت به نحوه عملکرد داخلی مدل.
  2. درک سطح بالا از معماری ترانسفورمر:

    • درک معماری کلی ترانسفورمرها، شامل اجزای کلیدی که ساختار و عملکرد آن‌ها را تعریف می‌کنند.
  3. مدل‌های زبان (Language Models) چه هستند؟

    • درک مدل‌های زبان، اهمیت آن‌ها در پردازش زبان طبیعی و نقش آن‌ها در حوزه گسترده‌تر هوش مصنوعی.

بخش 2: معماری ترانسفورمر

  1. تعبیه ورودی (Input Embedding):

    • یادگیری مفهوم ضروری تبدیل داده‌های ورودی به فرمتی مناسب برای پردازش در مدل ترانسفورمر.
  2. کدگذاری موقعیتی (Positional Encoding):

    • کاوش روش افزودن اطلاعات موقعیتی به تعبیه‌های ورودی، گامی حیاتی برای درک مدل از ماهیت ترتیبی داده‌ها.
  3. انکودر (Encoder) و دیکودر (Decoder):

    • غواصی در اجزای اصلی معماری ترانسفورمر، با درک نقش‌ها و عملکردهای هر دو انکودر و دیکودر.
  4. LM خودانکدکننده - BERT، LM خودرگرسیو - GPT، LM توالی به توالی - T5:

    • کاوش انواع مختلف مدل‌های زبان، شامل ویژگی‌ها و موارد استفاده آن‌ها.
  5. توکنایزیشن (Tokenization):

    • درک فرآیند شکستن متن به توکن‌ها، گامی بنیادی در پردازش زبان طبیعی.

بخش 3: طبقه‌بندی متن

  1. فاین تیونینگ BERT برای طبقه‌بندی چندکلاسه:

    • کسب تجربه عملی در انطباق مدل‌های از پیش آموزش‌دیده مانند BERT برای وظایف طبقه‌بندی چندکلاسه.
  2. فاین تیونینگ BERT برای تحلیل احساسات:

    • یادگیری نحوه فاین تیونینگ BERT به‌طور خاص برای تحلیل احساسات، یک کاربرد رایج و ارزشمند در NLP.
  3. فاین تیونینگ BERT برای جفت جملات:

    • درک فرآیند فاین تیونینگ BERT برای وظایف شامل جفت جملات.

بخش 4: پرسش و پاسخ

  1. شهود پرسش و پاسخ (QA Intuition):

    • توسعه درکی شهودی از وظایف پرسش و پاسخ و کاربردهای آن‌ها.
  2. سیستم پرسش و پاسخ مبتنی بر بررسی‌های آمازون را بسازید
  3. پیاده‌سازی رویکرد Retriever Reader
  4. فاین تیونینگ ترانسفورمرها برای سیستم‌های پرسش و پاسخ
  5. پرسش و پاسخ جدولی (Table QA)

بخش 5: تولید متن

  1. دیکدینگ جستجوی حریصانه (Greedy Search Decoding)، دیکدینگ جستجوی بیم (Beam Search Decoding)، روش‌های نمونه‌برداری (Sampling Methods):

    • کاوش روش‌های مختلف دیکدینگ برای تولید متن با استفاده از مدل‌های ترانسفورمر.
  2. آموزش GPT خودتان:

    • کسب مهارت‌های لازم برای آموزش مدل GPT مولد از پیش آموزش‌دیده خودتان برای تولید خلاقانه متن.

بخش 6: خلاصه‌سازی متن

  1. معرفی GPT2، T5، BART، PEGASUS:

    • درک ویژگی‌ها و کاربردهای مدل‌های مختلف خلاصه‌سازی متن.
  2. معیارهای ارزیابی - Bleu Score، ROUGE:

    • یادگیری معیارهای مورد استفاده برای ارزیابی کارایی خلاصه‌سازی متن، شامل Bleu Score و ROUGE.
  3. فاین تیونینگ PEGASUS برای خلاصه‌سازی گفتگو:

    • کسب تجربه عملی در فاین تیونینگ PEGASUS به‌طور خاص برای خلاصه‌سازی گفتگو.

بخش 7: ساخت ترانسفورمر خودتان از پایه

  1. ساخت توکنایزر سفارشی:

    • ساخت یک توکنایزر سفارشی، جزء ضروری برای پردازش داده‌های ورودی در ترانسفورمر خودتان.
  2. آماده‌سازی داده‌های شما:

    • درک اهمیت آماده‌سازی داده‌ها و نحوه فرمت‌بندی مجموعه داده شما برای آموزش یک ترانسفورمر سفارشی.
  3. پیاده‌سازی تعبیه موقعیتی (Positional Embedding)، پیاده‌سازی معماری ترانسفورمر:

    • کسب مهارت‌های عملی در پیاده‌سازی تعبیه موقعیتی و ساخت کل معماری ترانسفورمر از پایه.

بخش 8: استقرار مدل‌های ترانسفورمر در محیط تولید

  1. بهینه‌سازی مدل با تقطیر دانش (Knowledge Distillation) و کوانتیزیشن (Quantization):

    • کاوش تکنیک‌هایی برای بهینه‌سازی مدل‌های ترانسفورمر، شامل تقطیر دانش و کوانتیزیشن.
  2. بهینه‌سازی مدل با ONNX و ONNX Runtime:

    • یادگیری نحوه بهینه‌سازی مدل‌ها با استفاده از فرمت و محیط اجرایی ONNX.
  3. سرویس‌دهی ترانسفورمرها با Fast API، داکرسازی APIهای ترانسفورمر شما:

    • کسب مهارت‌های لازم برای استقرار و سرویس‌دهی مدل‌های ترانسفورمر در محیط‌های تولید با استفاده از Fast API و Docker.

تبدیل شدن به یک استاد ترانسفورمر:

تا پایان این دوره:

  1. فراگیران درکی عمیق از نحوه عملکرد ترانسفورمرها خواهند داشت که آن‌ها را به استادان واقعی ترانسفورمر تبدیل می‌کند که قادر به پیمایش در چشم‌انداز همواره در حال تحول نوآوری هوش مصنوعی هستند.

  2. فراگیران قادر خواهند بود دانش نظری را به مهارت‌های عملی تبدیل کنند.

  3. درک خواهند کرد که چگونه مدل‌ها را برای نیازهای خاص با استفاده از مجموعه داده‌های خودشان فاین تیون کنند.

در پایان این دوره، شما تخصص لازم برای ایجاد، آموزش و استقرار مدل‌های هوش مصنوعی را خواهید داشت و تأثیر قابل توجهی در زمینه هوش مصنوعی ایجاد خواهید کرد.


سرفصل ها و درس ها

Introduction

  • مقدمه دوره Course Introduction

  • چرا ترنسفورمر ستون فقرات هوش مصنوعی است Why transformer is the Cornerstone of AI

  • قابلیت‌های ترنسفورمر را کاوش کنید Explore Transformer's Capabilities

  • درک سطح بالا از معماری ترنسفورمرها High-Level Understanding of Transformers Architecture

  • مدل‌های زبانی چه هستند؟ What are Language Models?

  • آزمون ۱ Quiz 1

معماری ترنسفورمرها Transformers Architecture

  • اِمبِدینگ متن Text Embedding

  • اِمبِدینگ‌های موقعیتی Positional Embeddings

  • اِنکُدِر Encoder

  • دِکُدِر Decoder

  • مدل زبانی خود-رمزگذار (BERT) Autoencoding LM (BERT)

  • مدل زبانی خود-رگرسیو (GPT) Autoregressive LM (GPT)

  • مدل زبانی توالی به توالی Sequence To Sequence LM

  • توکن‌سازی Tokenization

  • آزمون ۲ Quiz 2

دسته‌بندی متن Text Classification

  • تنظیم دقیق BERT برای تحلیل احساسات Fine-tuning BERT for Sentiment Analysis

  • تنظیم دقیق BERT برای دسته‌بندی چندکلاسه Fine-tuning BERT for Multi-Class Classification

  • تنظیم دقیق مدل BERT برای جفت‌های جمله Fine-tuning the BERT model for Sentence-Pairs

  • آزمون ۳ Quiz 3

پاسخگویی به سوال Question Answering

  • سیستم‌های پاسخگویی به سوال با استفاده از ترنسفورمرها Question Answering systems using transformers

  • ساخت یک سیستم QA مبتنی بر بررسی Building a Review-Based QA System

  • سیستم‌های QA مبتنی بر معماری بازیاب-خواننده QA systems based on the retriever-reader architecture

  • تنظیم دقیق یک سیستم پاسخگویی به سوال Fine-tuning a Question-Answering system

  • QA جدول Table QA

  • آزمون ۴ Quiz 4

تولید متن Text Generation

  • مقدمه‌ای بر تولید متن Introduction to Text Generation

  • رمزگشایی جستجوی حریصانه (Greedy Search) Greedy Search Decoding

  • رمزگشایی جستجوی بیم (Beam Search) Beam Search Decoding

  • روش‌های نمونه‌برداری Sampling Methods

  • آموزش مدل GPT خودتان Train Your Own GPT Model

  • آزمون Quiz

خلاصه‌سازی متن Text Summarization

  • مقدمه‌ای بر خلاصه‌سازی متن Introduction to text summarization

  • متریک ارزیابی Bleu Bleu Evaluation Metric

  • متریک ارزیابی ROUGE ROUGE Evaluation Metric

  • آموزش یک مدل خلاصه‌سازی Training a Summarization Model

  • آزمون ۶ Quiz 6

آموزش ترنسفورمر از پایه Training Transformer From Scratch

  • مقدمه Introduction

  • ساخت توکن‌ساز سفارشی Build Custom Tokenizer

  • آماده‌سازی داده‌هایتان Getting your data ready

  • پیاده‌سازی اِمبِدینگ موقعیتی Implement Positional Embedding

  • آموزش ترنسفورمر ترجمه از پایه Train Translation Transformer From Scratch

  • آزمون ۷ Quiz 7

بهینه‌سازی و استقرار مدل Model Optimization and Deployment

  • مقدمه Introduction

  • تقطیر دانش (Knowledge Distillation) Knowledge Distillation

  • کوانتیزاسیون Quantization

  • ONNX و ONNX Runtime ONNX and the ONNX Runtime

  • آزمون ۸ Quiz 8

  • ارائه ترنسفورمرها با Fast API Serving transormers with Fast API

  • استقرار با کانتینر Docker Deployment with Docker container

نمایش نظرات

آموزش هوش مصنوعی با مدل‌های زبان بزرگ (LLM) و ترانسفورمرها؛ از نظریه تا استقرار و پیاده‌سازی - ۲۰۲۵
جزییات دوره
6.5 hours
41
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
907
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar