آموزش هوش مصنوعی و یادگیری ماشین Azure: بهینه‌سازی مدل‌های زبانی برای برنامه‌های AI - آخرین آپدیت

Azure AI Foundry: توسعه و بهینه‌سازی جامع مدل Azure AI Foundry: End-to-End Model Development & Optimization

• معرفی کلی و دموی Azure AI Foundry Azure AI Foundry: Overview and Demo

• تولید تقویت‌شده با بازیابی (RAG) در Azure AI و ML: نمای کلی Retrieval Augmented Generation (RAG) in Azure AI and ML: Overview

• بهینه‌سازی مدل‌ها: تنظیم دقیق، RAG و استراتژی‌های کاربردی Optimizing Models: Fine-Tuning, RAG and Application Strategies

• نمای کلی کاتالوگ و مجموعه‌های مدل [Azure AI Foundry و ML] Model Catalog and Collections [Azure AI Foundry and ML]-Overview

• محاسبات کاتالوگ و مجموعه‌های مدل [Azure AI Foundry و ML] Model Catalog and Collections [Azure AI Foundry and ML]-Compute

• تست یک مدل زبانی مستقر شده در Playground Test a deployed language model in the playground

• نحوه ارزیابی دستی پرامپت‌ها در Playground پورتال Azure AI Foundry How to manually evaluate prompts in Azure AI Foundry portal playground

• تعریف و ردیابی نسخه‌های مختلف پرامپت Define and track prompt variants

• شروع سریع: ایجاد یک شاخص جستجو در پورتال Azure - Azure AI Search Quickstart: Create a search index in the Azure portal - Azure AI Search

بهینه‌سازی آموزش مدل با Azure Machine Learning Optimize model training with Azure Machine Learning

• آماده‌سازی کد برای سناریوهای محیط تولید (Production) Preparing code for production scenarios

• تبدیل نوت‌بوک به اسکریپت Convert a notebook to a script

• اجرای یک اسکریپت به عنوان Command Job Run a script as a command job

• استفاده از پارامترها در Command Job Use parameters in a command job

• بررسی استفاده از MLflow برای ردیابی مدل‌ها Exploring The use of MLflow For Tracking Models

• ردیابی معیارها (Metrics) با Machine Learning Flow Track Metrics with Machine Learning Flow

• ادغام ML Flow در جریان آموزش مدل Integrating ML Flow in Model Training Flow

• مشاهده معیارها و ارزیابی مدل‌ها Viewing Metrics and Evaluating Models

• ایجاد و استفاده از کامپوننت‌ها در Azure Machine Learning Creating and Using components in Azure Machine Learning

• ایجاد خط لوله‌ها (Pipelines) در Azure Machine Learning Creating Pipelines in Azure Machine Learning

• ایجاد یک خط لوله سفارشی (Custom Pipeline) Creating a Custom Pipeline

• کامپوننت‌ها در Azure Machine Learning Components in Azure Machine Learning

• خط لوله‌های پیش‌ساخته (پیش‌بینی قیمت خودرو) Prebuilt Pipelines (Automobile Price Prediction)

• درک معیارها (Metrics) Understanding Metrics

• بارگذاری و تبدیل داده‌ها در Azure Machine Learning با استفاده از نوت‌بوک‌ها Load and Transform Data in Azure Machine Learning using notebooks

• پارامترها و هایپرپارامترها Parameters and Hyperparameters

• هایپرپارامترهای کلیدی در یادگیری ماشین Key Hyperparameters in Machine Learning

• نکات آزمون Exam Tips

• جمع‌بندی، گام‌های بعدی، نقش‌های شغلی و بهترین روش‌ها Conclusion, What's Next, Job Roles, and Best Practices