آموزش از دستور پخت تا سرآشپز - مهندس LLM شوید [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

چی می‌پزیم؟ مقدمه‌ای بر LLMها What's Cooking? Intro to LLMs

• مقدمه‌ای بر «چی می‌پزیم؟ مقدمه‌ای بر LLMها» Introduction to "What's Cooking? Intro to LLMs"

• مدل زبانی چیست؟ What is a Language Model?

• تکامل LLMها: از ماشین تحریر تا ربات‌های گُرمه The Evolution of LLMs: From typewriters to gourmet robots

• چگونه LLMها «کلمه بعدی را پیش‌بینی می‌کنند» (مثال ساخت ساندویچ) How LLMs "predict the next word" (Autocomplete Sandwich Making)

• تفاوت بین LLMها و AI سنتی: مایکروویو در مقابل آشپزی سرآشپز Differences Between LLMs and Traditional AI: Microwave vs Chef Cooking

• مروری بر LLMهای محبوب: GPT, Claude, Gemini, LLaMA (تور رستوران) Popular LLMs Overview: GPT, Claude, Gemini, LLaMA (Restaurant Tour)

اهمیت مواد اولیه – درک داده‌ها Ingredients Matter – Understanding Data

• مقدمه‌ای بر «اهمیت مواد اولیه – درک داده‌ها» Introduction to "Ingredients Matter – Understanding Data"

• داده‌های آموزشی چیست؟ (پر کردن انبار مواد غذایی) What is Training Data? (Pantry stocking)

• توکن‌سازی: خرد کردن متن به تکه‌های کوچک Tokenization: Chopping Text into Bite-Sized Pieces

• مجموعه داده‌های LLM: ویکی‌پدیا، کتاب‌ها، متون وب (لیست خرید سوپرمارکت) Datasets for LLMs: Wikipedia, Books, Web Text (Supermarket shopping list)

• ورودی زباله = خروجی زباله: اهمیت کیفیت داده‌ها Garbage In = Garbage Out: Data Quality Matters

• سوگیری در داده‌ها: تند برای یکی، بی‌مزه برای دیگری Bias in Data: Spicy for One, Bland for Another

آشپزی در مقیاس بزرگ – مبانی آموزش مدل Cooking at Scale – Model Training Basics

• مقدمه‌ای بر «آشپزی در مقیاس بزرگ – مبانی آموزش مدل» Introduction to "Cooking at Scale – Model Training Basics"

• در هنگام آموزش مدل چه اتفاقی می‌افتد؟ (مخلوط کردن، پختن، تنظیم کردن) What Happens During Model Training? (Mixing, baking, adjusting)

• Epochها، Batchها و Loss: مراحل پخت Epochs, Batches, and Loss: The Cooking Rounds

• پردازنده‌های GPU و TPU: فرهای صنعتی برای آموزش GPUs and TPUs: Industrial Ovens for Training

• پیش‌آموزش در مقابل تنظیم دقیق: دستور پخت اصلی در مقابل تغییرات منطقه‌ای Pretraining vs Fine-tuning: Master Recipe vs Regional Twist

• هزینه آموزش: صورت‌حساب خرید مواد برای LLM Cost of Training: The LLM Grocery Bill

مهندسی پرامپت – چاشنی برای خروجی بی‌نقص Prompt Engineering – Seasoning for the Perfect Output

• مقدمه‌ای بر «مهندسی پرامپت – چاشنی برای خروجی بی‌نقص» Introduction to "Prompt Engineering – Seasoning for the Perfect Output"

• آناتومی یک پرامپت: ترکیب مخفی ادویه‌ها Anatomy of a Prompt: The Secret Spice Blend

• سبک‌های پرامپت: Zero shot, Few shot, Chain of Thought (مانند نمک، فلفل و سبزیجات) Prompt Styles: Zero-shot, Few-shot, Chain-of-Thought (Like salt, chili, herbs)

• پرامپت‌های نقش‌آفرینی: «فرض کن تو یک باریستایی» Roleplay Prompts: "Pretend You're a Barista"

• بهینه‌سازی پرامپت: از مواد خام تا پخت کامل Prompt Optimization: From Raw to Well-Cooked

• ارزیابی پرامپت: تست مزه برای دستورات Prompt Evaluation: Taste Test for Prompts

تنظیم دقیق (Fine Tuning) – شخصی‌سازی دستور پخت Fine-Tuning – Customizing the Recipe

• مقدمه‌ای بر «تنظیم دقیق – شخصی‌سازی دستور پخت» Introduction to "Fine-Tuning – Customizing the Recipe"

• تنظیم دقیق چیست؟ – لمس مادربزرگ برای یک دستور کلاسیک What is Fine-tuning? – Grandma's Touch to a Classic Recipe

• یادگیری انتقالی: قرض گرفتن پایه کیک و اضافه کردن خامه Transfer Learning: Borrowing a Cake Base and Adding Frosting

• تکنیک‌ها: Full Fine Tuning در مقابل LoRA Techniques: Full Fine-Tuning vs LoRA (Low-Rank Adaptation)

• تنظیم دقیق روی داده‌های شخصی: آشپزخانه شما، قوانین شما Fine-Tuning on Your Own Data: Your Kitchen, Your Rules

• ابزارهای تنظیم دقیق: Hugging Face, Google Colab, PEFT Tools for Fine-Tuning: Hugging Face, Google Colab, PEFT

ارزیابی LLMها – تست مزه Evaluating LLMs – Taste Testing

• مقدمه‌ای بر «ارزیابی LLMها – تست مزه» Introduction to "Evaluating LLMs – Taste Testing"

• چرا ارزیابی مهم است: بررسی نهایی سرآشپز Why Evaluation Matters: The Chef's Final Check

• معیارهای کمی: Perplexity, BLEU, ROUGE Quantitative Metrics: Perplexity, BLEU, ROUGE

• معیارهای کیفی: بازخورد انسانی، کاربردی بودن، مرتبط بودن Qualitative Metrics: Human Feedback, Usefulness, Relevance

• توهمات و خطاهای مدل: طعم‌های غیرمنتظره Hallucinations and Model Errors: Unexpected Flavors

• تشخیص سوگیری: توجه به رژیم‌های غذایی مختلف Bias Detection: Catering to Different Dietary Preferences

سرو غذا – استقرار LLMها Serving Your Dish – Deploying LLMs

• مقدمه‌ای بر «سرو غذا – استقرار LLMها» Introduction to "Serving Your Dish – Deploying LLMs"

• استقرار چیست؟ – افتتاح یک رستوران موقت (Pop-up) What is Deployment? – Opening a Pop-Up Restaurant

• ساخت APIها با استفاده از FastAPI یا Flask Creating APIs using FastAPI or Flask

• استفاده از Gradio/Streamlit برای رابط کاربری دمو (ارائه فودتراک) Using Gradio/Streamlit for Demo UIs: (Food Truck Presentation)

• گزینه‌های میزبانی: Hugging Face Spaces, AWS, GCP Hosting Options: Hugging Face Spaces, AWS, GCP

• مقیاس‌پذیری و مانیتورینگ: مدیریت روان بوفه Scaling and Monitoring: Keeping the Buffet Running Smoothly

ساخت اپلیکیشن‌های مبتنی بر LLM – فودتراک اختصاصی شما Building LLM-powered Apps – Your Own Food Truck

• مقدمه‌ای بر «ساخت اپلیکیشن‌های مبتنی بر LLM – فودتراک اختصاصی شما» Introduction to "Building LLM-powered Apps – Your Own Food Truck"

• موارد استفاده از اپلیکیشن: چت‌بات‌ها، خلاصه‌سازها، سیستم‌های توصیه‌گر App Use Cases: Chatbots, Summarizers, Recommenders

• ابزارهای بدون کد (No-Code): قالب‌های LangChain, GPT Builder, Voiceflow No-Code Tools: LangChain Templates, GPT Builder, Voiceflow

• ترکیب LLM و پایگاه داده: منوی هوشمند LLM + Database: The Smart Menu

• زنجیره‌سازی با LangChain: خط تولید هوش مصنوعی Chaining with LangChain: The AI Assembly Line

• پروژه: ساخت یک اپلیکیشن کامل LLM با رابط کاربری سفارشی Project: Build a Fully Functional LLM App with a Custom Interface

تازه نگه داشتن – مانیتورینگ و بهبود Keeping it Fresh – Monitoring and Improving

• مقدمه‌ای بر «تازه نگه داشتن – مانیتورینگ و بهبود» Introduction to "Keeping it Fresh – Monitoring and Improving"

• حلقه‌های بازخورد: مانند نظرات Yelp برای هوش مصنوعی Feedback Loops: Like Yelp Reviews for AI

• ثبت وقایع (Logging) و مانیتورینگ: دوربین‌های هوشمند آشپزخانه Logging and Monitoring: Smart Kitchen Cameras

• تست A/B: کدام دسر برنده می‌شود؟ A/B Testing: Which Dessert Wins?

• پدیده Model Drift: وقتی طعم‌ها با گذشت زمان تغییر می‌کنند Model Drift: When Taste Changes Over Time

• به‌روزرسانی پرامپت‌ها، مجموعه‌داده‌ها و استقرارها Updating Prompts, Datasets, and Deployments

تبدیل شدن به سرآشپز – مسیر شغلی در مهندسی LLM Becoming a Master Chef – Career in LLM Engineering

• مقدمه‌ای بر «تبدیل شدن به سرآشپز – مسیر شغلی در مهندسی LLM» Introduction to "Becoming a Master Chef – Career in LLM Engineering"

• مسیرهای شغلی در LLM: مهندس، معمار، متخصص پرامپت Career Paths in LLM: Engineer, Architect, Prompt Specialist

• ساخت پورتفولیو: کتاب آشپزی هوش مصنوعی شما Building Your Portfolio: Your AI Cookbook

• مشارکت در متن‌باز (Open Source): مجموعه‌داده‌ها، مدل‌ها و ابزارها Contributing to Open Source: Datasets, Models, Tools

• نکات رزومه، مصاحبه‌ها و سوالات فنی Resume Tips, Interviews, and Technical Questions

• پروژه نهایی: ساخت و استقرار اپلیکیشن اختصاصی LLM شما Final Capstone Project: Create & Deploy Your Own LLM App