آموزش کاوش عمیق مفاهیم مدل‌های زبان بزرگ (LLM): تسلط مفهومی برای توسعه‌دهندگان - آخرین آپدیت

سرفصل ها و درس ها

Language Modeling And Training

• درک مفهوم مدل Understanding the Concept of Model

• وظایف مدل زبانی و Auto Encoding Language Model Tasks and Auto Encoding

• Auto Regression و پیش‌بینی متن Auto Regression and Text Prediction

• تکمیل متن Text completion

• سوالات مخاطبان Audience Questions

روش‌های آموزش Training Methodologies

• Pre-training Pre-training

• Instruct tuning Instruct tuning

• Fine Tuning Fine Tuning

• سوالات مخاطبان Audience Questions

• مقدمه‌ای بر Fine-Tuning مدل‌های هوش مصنوعی Introduction to Fine-Tuning AI Models

توکن‌ها و Embeddings Tokens and Embeddings

• مقدمه‌ای بر توکن‌ها و Embeddings Introduction to Tokens and Embeddings

• توضیح Tokenization Tokenization Explained

• مصورسازی Tokenization Visualizing Tokenization

• نحوه شکل‌گیری مرزهای توکن How token boundaries are formed

• نحوه شناسایی فراوانی کلمات How word frequencies are identified

• Embeddings و اهمیت آنها Embeddings and Their Importance

• کاوش Embeddings و فضای N بعدی Exploring Embeddings and the N-dimensional space

• ریاضیات Embedding - مثال‌های حیرت‌انگیز Embedding Math. Mind-Blowing Examples

• Tokenization و Embeddings Tokenization and Embeddings

• سوالات مخاطبان Audience Questions

ارزیابی دانش و شباهت معنایی Knowledge Assessment and Semantic Similarity

• وقت کوئیز: دانش خود را تست کنید Quiz Time: Test Your Knowledge

• مفهوم شباهت متن The Concept of Text Similarity

• سوالات مخاطبان Audience Questions

معماری Transformer Transformer Architecture

• از توکن‌ها به متن From Tokens To Text

• مقدمه‌ای بر معماری Transformer Introduction to Transformer Architecture

• درک Attention در LLMها Understanding Attention in LLMs

• پاسخ به سوالات در مورد معماری Transformer Addressing Questions on Transformer Architecture

مدیریت Context Context Management

• مقدمه‌ای بر طول Context در LLMها Introduction to Context Length in LLMs

• چالش‌های محدودیت Context و Statelessness Challenges with Context Limit and Statelessness

RAG و پایگاه‌های داده Vector RAG and Vector Databases

• معرفی Retrieval Augmented Generation یا (RAG) Introducing Retrieval Augmented Generation (RAG)

• برخی اصطلاحات مهم Some important terminologies

• پایگاه‌های داده Vector و نقش آنها در RAG Vector Databases and Their Role in RAG

• نحوه عملکرد پایگاه‌های داده Vector How Vector Databases Work

• شبه کد تعامل با پایگاه داده Vector Vector Database Interaction Pseudocode

• Pipeline ‏RAG The RAG Pipeline

• پرسش و پاسخ و جمع‌بندی نهایی Q&A and Final Thoughts