آموزش کاربرد عملی مدل‌های زبانی بزرگ (LLM) در علوم داده مدرن - آخرین آپدیت

دانلود Practical LLMs for Modern Data Science

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: بیاموزید که چگونه می‌توان از مدل‌های زبانی بزرگ (LLMs) به عنوان دستیاران کاربردی در کارهای روزمره علوم داده استفاده کرد. ابتدا با مشاهده کدهای تولید شده توسط LLM شروع کنید و سپس دستیارهای قابل استفاده مجددی بسازید که سرعت انجام کارهای تکراری مانند اکتشاف داده‌ها، پیش‌پردازش و مدل‌سازی‌های اولیه را افزایش دهند. یاد بگیرید چگونه از LLMها برای تولید کدهایی استفاده کنید که قابل بررسی، اجرا و اعتبارسنجی باشند، به جای اینکه صرفاً به خروجی‌های جعبه سیاه اعتماد کنید. همچنین بررسی کنید که LLMها در وظایف طبقه‌بندی (Classification) و رگرسیون (Regression) چگونه عمل می‌کنند و چگونه نتایج آن‌ها را با استفاده از معیارهای استاندارد علوم داده ارزیابی کنید.

سرفصل ها و درس ها

مقدمه: افزایش سریع بهره‌وری Introduction: Get Productive Fast

  • ساخت اولین دستیار LLM: از پرامپت تا کد پایتون قابل بررسی Building your first LLM helper: From prompt to inspectable Python code

  • جایگاه LLMها در علوم داده How LLMs fit into data science

1. دستیارهای تحلیل اکتشافی داده‌ها (EDA) 1. Exploratory Data Analysis Helpers

  • تولید دستیار خلاصه ساز EDA Generate an EDA summary helper

  • اعتبارسنجی و اصلاح خروجی‌های دستیار EDA Validate and refine EDA helper outputs

  • گسترش دستیار EDA با تشخیص‌های بصری Extend the EDA helper with visual diagnostics

2. دستیارهای پیش‌پردازش داده‌ها 2. Preprocessing Helpers

  • ترکیب دستیارهای پیش‌پردازش در یک خط لوله (Pipeline) قابل استفاده مجدد Combine preprocessing helpers into a reusable pipeline

  • ساخت دستیار کدگذاری ویژگی‌ها و مقیاس‌بندی (Scaling) Create a feature encoding and scaling helper

  • ساخت دستیار پاک‌سازی داده‌ها Build a data cleaning helper

3. دستیارهای مدل‌سازی 3. Modeling Helpers

  • ساخت دستیار طبقه‌بندی پایه (Baseline Classification) Build a baseline classification helper

  • ساخت دستیار مدل‌سازی رگرسیون Build a regression modeling helper

  • اصلاح و شخصی‌سازی دستیارهای مدل‌سازی Refine and customize model helpers

4. دستیارهای ارزیابی 4. Evaluation Helpers

  • اعتبارسنجی عملکرد مدل با مدل‌های پایه Validate model performance with baselines

  • ساخت دستیار ارزیابی رگرسیون Build a regression evaluation helper

  • ساخت دستیار ارزیابی طبقه‌بندی Build a classification evaluation helper

5. قضاوت، کنترل و استفاده مسئولانه 5. Judgment, Control, and Responsible Use

  • اجرای دستیارها با LLMهای محلی یا حافظ-محافظ (حریم خصوصی) Run helpers with local or privacy-preserving LLMs

  • قابلیت حسابرسی و بازتولیدپذیری دستیارهای LLM Make LLM helpers auditable and reproducible

6. اجرای پروژه جامع (پایان به پایان) 6. End-to-End Application

  • تست استرس دستیارها روی یک مجموعه داده جدید Stress-testing helpers on a new dataset

  • اجرای کامل گردش‌کار مبتنی بر دستیار Run the full helper-based workflow

7. جمع‌بندی و گام‌های بعدی 7. Wrap-Up and Next Steps

  • الگوهایی برای ساخت دستیارهای LLM اختصاصی شما Patterns for building your own LLM helpers

نمایش نظرات

آموزش کاربرد عملی مدل‌های زبانی بزرگ (LLM) در علوم داده مدرن
جزییات دوره
1h 12m
19
(آخرین آپدیت)
2,948
- از 5
ندارد
دارد
دارد
Parul Pandey
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Parul Pandey Parul Pandey

پارول پاندی (Parul Pandey) مدرس هوش مصنوعی و یکی از نویسندگان کتاب یادگیری ماشین برای کاربردهای پرخطراست.

پارول فعالیت خود را به عنوان دانشمند داده و مهندس ML آغاز کرد، اما به تدریج آموزش به بخشی از شغل او تبدیل شد که بیشترین علاقه را به آن داشت. امروز او به عنوان مدرس هوش مصنوعی، توسعه‌دهنده حامی (Developer Advocate) و نویسنده فنی فعالیت می‌کند و به توسعه‌دهندگان و سازمان‌ها کمک می‌کند تا از طریق ورکشاپ‌ها، محتوای فنی، دوره‌ها و پروژه‌های عملی، سیستم‌های مدرن هوش مصنوعی را بیاموزند، ارزیابی کنند و بسازند. او علوم داده و حمایت از توسعه‌دهندگان را ترکیب می‌کند تا یادگیری ماشین را برای تیم‌ها و انجمن‌های واقعی، قابل دسترس، مسئولانه و مفید سازد. وی به طور منظم در پروژه‌های متن‌باز مشارکت دارد، در کنفرانس‌ها سخنرانی می‌کند و در برنامه‌های جامعه‌محور منتورینگ انجام می‌دهد.