آموزش بهینه‌سازی و Fine-Tune مدل‌های هوش مصنوعی مولد (Generative AI) - آخرین آپدیت

درک و کنترل خروجی‌های مدل‌های مولد Understanding and Controlling Generative Model Outputs

• خوش‌آمدگویی به بهینه‌سازی هوش مصنوعی مولد Welcome to Generative AI Optimization

• نحوه تولید متن توسط مدل‌های مولد: از احتمالات تا کلمات How Generative Models Produce Text: From Probabilities to Words

• Temperature، Top-k و Top-p: پیچ‌های کنترلی تولید متن Temperature, Top-k, and Top-p: The Control Knobs of Generation

• تنظیم عملی پارامترهای رمزگشایی - بخش اول Tuning Decoding Parameters in Practice Part 1

• تنظیم عملی پارامترهای رمزگشایی - بخش دوم Tuning Decoding Parameters in Practice part 2

ارزیابی کیفیت خروجی هوش مصنوعی مولد Evaluating Generative AI Output Quality

• معیارهای سنتی: توضیح BLEU، ROUGE و Perplexity Traditional Metrics: BLEU, ROUGE, and Perplexity Explained

• ارزیابی‌های خاص هر تسک: واقع‌گرایی، انسجام و مرتبط بودن Task-Specific Evaluation: Factuality, Coherence, and Relevance

• ساخت خط لوله ارزیابی خودکار - بخش اول Building an Automated Evaluation Pipeline Part 1

• ساخت خط لوله ارزیابی خودکار - بخش دوم Building an Automated Evaluation Pipeline Part 2

Fine-tuning با بهره‌وری پارامتری برای انطباق دامنه Parameter-Efficient Fine-Tuning for Domain Adaptation

• مشکل هزینه: چرا Full Fine-Tuning مقیاس‌پذیر نیست؟ The Cost Problem: Why Full Fine-Tuning Doesn't Scale

• مقایسه متدهای PEFT: مدل‌های LoRA، Prefix Tuning و Adapters PEFT Methods Compared: LoRA, Prefix Tuning, and Adapters

• پیاده‌سازی Fine-tuning مدل LoRA با کتابخانه PEFT Implementing LoRA Fine-Tuning with PEFT Library

• جمع‌بندی نهایی دوره Course Wrap-Up