آموزش از دستور پخت تا سرآشپز: مهندس مدل‌های زبانی بزرگ (LLM) شوید - آخرین آپدیت

دانلود [FR] De la Recette au Chef : Devenez Ingénieur en LLM new

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

یادگیری LLM بدون نیاز به کدنویسی: آموزش هوش مصنوعی با تشبیهات آشپزی

با استفاده از تشبیهات عینی، درک کنید مدل‌های زبانی بزرگ (LLM) چیست و چگونه کار می‌کنند.

مواد اولیه اصلی مورد نیاز LLMها، مانند داده‌های آموزشی، توکن‌سازی و کیفیت داده‌ها را مشخص کنید.
توضیح دهید که LLMها با استفاده از مفاهیمی مانند دسته‌ها، دوره‌ها و توابع ضرر چگونه آموزش داده می‌شوند.
با استفاده از تکنیک‌هایی مانند zero-shot، few-shot و chain-of-thought prompts، درخواست‌های بهتری بنویسید.
مدل‌ها را با استفاده از fine-tuning و ابزارهایی مانند Hugging Face و LoRA شخصی‌سازی کنید.
عملکرد مدل را با استفاده از معیارهای کمی و کیفی ارزیابی کنید.
با استفاده از API، FastAPI/Flask، مدل‌های LLM را مستقر کنید و آن‌ها را روی پلتفرم‌هایی مانند Hugging Face Spaces میزبانی کنید.
برنامه‌های کامل مبتنی بر LLM را با استفاده از ابزارهای no-code و LangChain ایجاد کنید.
مدل‌های هوش مصنوعی خود را با استفاده از لاگ‌ها، حلقه‌های بازخورد و تست‌های A/B نظارت و بهبود بخشید.

پیش نیازها:

نیازی به تجربه برنامه‌نویسی نیست - این دوره برای مبتدیان مطلق طراحی شده است.
کنجکاوی در مورد هوش مصنوعی و نحوه عملکرد مدل‌های زبانی برای شروع کافی است.
مهارت‌های اولیه رایانه‌ای مانند استفاده از مرورگر، بارگذاری فایل‌ها و تایپ کردن مفید است.
یک لپ‌تاپ یا رایانه رومیزی با دسترسی به اینترنت - نیازی به سخت‌افزار پیچیده نیست.
اختیاری: یک کلید API رایگان از OpenAI (برای پروژه‌های عملی با GPT).
اختیاری: علاقه به ایجاد چت‌بات‌ها، نوشتن prompts یا کاوش در مشاغل هوش مصنوعی.
تمام ابزارهای استفاده شده (مانند Gradio، Google Colab یا مدل‌های LangChain) رایگان و مناسب برای مبتدیان هستند.

این دوره از انگلیسی به فارسی ترجمه شده است تا بتوانید فناوری‌های پیشرفته را به زبان مادری خود یاد بگیرید.

از دستور غذا تا سرآشپز: مهندس LLM شوید (با تشبیهات آشپزی) یک دوره سرگرم کننده و در دسترس برای مبتدیان است که به شما یاد می‌دهد چگونه مدل‌های زبانی بزرگ (LLM) را بدون نوشتن حتی یک خط کد، مسلط شوید. چه در مورد هوش مصنوعی کنجکاو باشید، چه بخواهید وارد دنیای مدل‌های زبانی شوید یا هدف شما تبدیل شدن به یک مهندس LLM باشد، این دوره دروازه شما به سوی درک و استفاده از ابزارهای قدرتمندی مانند ChatGPT، Claude، Gemini یا LLaMA است. ما مفاهیم فنی را با استفاده از استعاره‌های آشپزی خوشمزه ساده می‌کنیم - تا شما در کمترین زمان از یک آشپز مبتدی به یک سرآشپز هوش مصنوعی تبدیل شوید.

شما از طریق تشبیهات آسان برای درک، کشف خواهید کرد که چگونه LLMها طراحی، آموزش داده، مستقر و ارزیابی می‌شوند. توکن‌سازی را به عنوان خرد کردن سبزیجات، آموزش را به عنوان پخت و پز در مقیاس بزرگ یا ایجاد prompts را به عنوان چاشنی کامل یک غذا تصور کنید. هر ماژول یک مهارت جدید را به شما معرفی می‌کند: آماده‌سازی داده‌ها، fine-tuning، ارزیابی و تولید. در پایان دوره، مفاهیم کلیدی مانند معماری مدل، پیش آموزش، یادگیری انتقالی، بهینه‌سازی prompts، معیارهای ارزیابی مانند perplexity و نمره BLEU را درک خواهید کرد و نحوه استقرار برنامه‌های خود را که توسط LLMها با استفاده از ابزارهایی مانند FastAPI، Gradio، Hugging Face Spaces و LangChain پشتیبانی می‌شوند، خواهید دانست.

این دوره برای دانش‌آموزان، معلمان، سازندگان محتوا، کارآفرینان و متخصصان از زمینه‌های غیر فنی است که می‌خواهند اصول اولیه هوش مصنوعی را یاد بگیرند و برنامه‌های عملی را با استفاده از مدل‌های زبانی توسعه دهند. ما شما را گام به گام در طول چرخه عمر هوش مصنوعی راهنمایی خواهیم کرد - از "مدل زبانی چیست؟" تا ایجاد چت‌بات، خلاصه‌کننده متن یا موتور پیشنهاد خودتان. شما یاد خواهید گرفت که چگونه از ابزارهای بدون کد استفاده کنید، با prompts واقعی آزمایش کنید، مدل‌های موجود را تنظیم کنید، نتایج را ارزیابی کنید و حتی مشاغلی مانند مهندس prompts، مدیر محصول هوش مصنوعی یا معمار LLM را کشف کنید.

هیچ تجربه‌ای در برنامه‌نویسی لازم نیست. شما یاد خواهید گرفت که چگونه با LLMها به زبان طبیعی ارتباط برقرار کنید، prompts هوشمند و کارآمد طراحی کنید و بفهمید چه اتفاقی در پشت صحنه می‌افتد - از جمع‌آوری داده‌ها تا توکن‌سازی، تا فرآیند پیش‌بینی مدل و نیازهای محاسباتی آن از طریق GPU و TPU. ما همچنین به تشخیص سوگیری، توهمات، حلقه‌های بازخورد و استراتژی‌هایی برای نظارت و بهبود سیستم‌های هوش مصنوعی شما در طول زمان خواهیم پرداخت.

در پایان دوره، شما یک پایه محکم در تئوری LLM، یک پورتفولیو از پروژه‌های عملی هوش مصنوعی و اعتماد به نفس لازم برای ورود به دنیای رو به گسترش هوش مصنوعی مولد خواهید داشت. چه بخواهید محصول هوش مصنوعی خود را بسازید، به یک استارت‌آپ بپیوندید، در پروژه‌های متن باز مشارکت کنید یا فقط دوستان خود را با دانش خود در مورد یادگیری ماشینی تحت تاثیر قرار دهید، این دوره شما را به آنجا می‌رساند - با یک بشقاب پر از دانش و چاشنی‌ای از لذت.

اگر آماده‌اید از یک خواننده دستور غذا به یک سرآشپز LLM تبدیل شوید، در این سفر لذیذ به قلب مدل‌های زبانی بزرگ به ما بپیوندید، جایی که هر مفهوم با تشبیهات رسا و مثال‌های عینی توضیح داده شده است.

سرفصل ها و درس ها

چه خبر است؟ مقدمه‌ای بر LLMها Qu’est-ce qui mijote ? Introduction aux LLM

مقدمه‌ای بر "چه خبر است؟ مقدمه‌ای بر LLMها" Introduction à “Qu’est-ce qui mijote ? Introduction aux LLM”
مدل زبانی چیست؟ Qu’est-ce qu’un modèle de langage ?
تکامل LLMها - از ماشین تحریرها تا ربات‌های آشپزی L’évolution des LLM – Des machines à écrire aux robots gastronomiques
LLMها چگونه "کلمه بعدی را پیش‌بینی می‌کنند" (تهیه خودکار ساندویچ) Comment les LLM “prédisent le mot suivant”(Préparation automatique de sandwichs)
تفاوت بین LLMها و هوش مصنوعی سنتی (مایکروویو در مقابل آشپزی حرفه‌ای) Différences entre LLMs et IA traditionnelle (Micro-ondes vs Cuisine de Chef)
مروری بر LLMهای محبوب: GPT، Claude، Gemini، LLaMA Tour d’horizon des LLM populaires: GPT, Claude, Gemini, LLaMA

مواد اولیه مهم هستند - درک داده‌ها Les ingrédients comptent – Comprendre les données

مقدمه‌ای بر "مواد اولیه مهم هستند - درک داده‌ها" Introduction à “Les ingrédients comptent – Comprendre les données”
داده‌های آموزشی چیست؟ (پر کردن انبار مواد غذایی) Qu’est-ce que les données d'entraînement ? (Remplir le garde-manger)
توکنایزیشن - تقسیم متن به قطعات قابل هضم Tokenisation – Découper le texte en morceaux digestes
مجموعه داده‌ها برای LLM: ویکی‌پدیا، کتاب‌ها، متون وب Jeux de données pour LLM : Wikipédia, livres, textes web
داده‌های بی‌کیفیت = نتایج نامرغوب Des données de mauvaise qualité = résultats médiocres
سوگیری در داده‌ها = برای بعضی‌ها خیلی تند، برای بعضی‌ها خیلی بی‌مزه Biais dans les données = Trop épicé pour les uns, trop fade pour les autres

آشپزی در مقیاس بزرگ - مبانی آموزش مدل‌ها Cuisiner à grande échelle – Bases de l'entraînement des modèles

مقدمه‌ای بر "آشپزی در مقیاس بزرگ - مبانی آموزش مدل‌ها" Introduction à “Cuisiner à grande échelle – Bases de l'entraînement des modèles”
هنگام آموزش یک مدل چه اتفاقی می‌افتد؟ (مخلوط کردن، پختن، تنظیم کردن) Que se passe-t-il lors de l'entraînement d’un modèle? (Mélanger, cuire, ajuster)
دوره‌ها، دسته‌ها و Loss - چرخه‌های پخت Époques, lots et perte – Les cycles de cuisson
GPUها و TPUها - اجاق‌های صنعتی آموزش GPUs et TPUs – Les fours industriels de l'entraînement
پیش‌آموزش در مقابل فاین‌تیونینگ - دستور پخت اصلی در مقابل نوع منطقه‌ای Pré-entraînement vs Fine-tuning – Recette maîtresse vs Variante régionale
هزینه آموزش - قبض سوپرمارکت LLMها Coût de l'entraînement – L’addition du supermarché des LLM

مهندسی پرامپت - چاشنی زدن برای یک نتیجه عالی Ingénierie de Prompt – Assaisonner pour un résultat parfait

مقدمه‌ای بر "مهندسی پرامپت - چاشنی زدن برای یک نتیجه عالی" Introduction à “Ingénierie de Prompt – Assaisonner pour un résultat parfait”
آناتومی یک پرامپت - ترکیب مخفی ادویه‌ها Anatomie d’un prompt – Le mélange secret d’épices
سبک‌های پرامپت: Zero-shot، Few-shot، Chain-of-Thought (مانند نمک، فلفل، گیاهان) Styles de prompts: Zero-shot,Few-shot,Chain-of-Thought(Comme sel, piment, herbes
پرامپت‌های نقش‌آفرینی - "طوری رفتار کن که انگار یک باریستا هستی" Prompts en jeu de rôle – “Fais comme si tu étais un barista”
بهینه‌سازی پرامپت‌ها - از خام تا خوب پخته شده Optimisation des prompts – De cru à bien cuisiné
ارزیابی پرامپت‌ها - تست طعم پرامپت‌ها Évaluation des prompts – Test de goût des prompts

Fine-Tuning - سفارشی کردن دستور پخت Fine-Tuning – Personnaliser la recette

مقدمه‌ای بر "Fine-Tuning - سفارشی کردن دستور پخت" Introduction à “Fine-Tuning – Personnaliser la recette”
Fine-Tuning چیست؟ - لمس مادربزرگ به یک دستور پخت کلاسیک Qu’est-ce que le Fine-Tuning ? – La touche de grand-mère à une recette classique
یادگیری انتقالی - استفاده مجدد از پایه کیک و اضافه کردن روکش Apprentissage par transfert– Réutiliser une base de gâteau et ajouter le glaçage
تکنیک‌ها: Fine-Tuning کامل در مقابل LoRA (انطباق با رتبه پایین) Techniques : Fine-Tuning complet vs LoRA (Adaptation à faible rang)
Fine-Tuning با داده‌های خودتان (آشپزخانه شما، قوانین شما) Fine-Tuning avec vos propres données (Votre cuisine, vos règles)
ابزارهای Fine-Tuning: Hugging Face، Google Colab، PEFT Outils pour Fine-Tuning : Hugging Face, Google Colab, PEFT

ارزیابی LLMها - تست طعم Évaluer les LLM – Test de goût

مقدمه‌ای بر "ارزیابی LLMها - تست طعم" Introduction à “Évaluer les LLM – Test de goût”
چرا ارزیابی مهم است - آخرین بررسی سرآشپز Pourquoi l’évaluation est importante – La dernière vérification du chef
معیارهای کمی: پرپلکسیتی، BLEU، ROUGE Métriques quantitatives : Perplexité, BLEU, ROUGE
معیارهای کیفی: بازخوردهای انسانی، سودمندی، ارتباط Métriques qualitatives : Retours humains, utilité, pertinence
توهمات و خطاهای مدل - طعم‌های غیرمنتظره Hallucinations et erreurs du modèle – Saveurs inattendues
تشخیص سوگیری - سازگاری با ترجیحات غذایی Détection des biais – S’adapter aux préférences alimentaires

سرو غذای خود - استقرار LLMها Servir votre plat – Déployer les LLM

مقدمه‌ای بر "سرو غذای خود - استقرار LLMها" Introduction à “Servir votre plat – Déployer les LLM”
استقرار چیست؟ - افتتاح یک رستوران موقت Qu’est-ce que le déploiement ? – Ouvrir un restaurant éphémère
ایجاد APIها با FastAPI یا Flask Créer des APIs avec FastAPI ou Flask
استفاده از Gradio/Streamlit برای رابط‌های نمایشی Utiliser Gradio/Streamlit pour les interfaces de démonstration
گزینه‌های میزبانی: Hugging Face Spaces، AWS، GCP Options d’hébergement : Hugging Face Spaces, AWS, GCP
مقیاس‌بندی و نظارت - نگه داشتن بوفه به طور روان Mise à l’échelle et surveillance – Garder le buffet en marche en douceur

ساخت برنامه‌ها با LLM - فودتراک خودتان Créer des applications avec LLM – Votre propre food truck

مقدمه‌ای بر "ساخت برنامه‌ها با LLM - فودتراک خودتان" Introduction à “Créer des applications avec LLM – Votre propre food truck”
موارد استفاده: چت‌بات‌ها، خلاصه‌کننده‌ها، سیستم‌های توصیه Cas d’usage : chatbots, résumeurs, systèmes de recommandation
ابزارهای بدون کد: مدل‌های LangChain، GPT Builder، Voiceflow Outils sans code : Modèles LangChain, GPT Builder, Voiceflow
LLM + پایگاه داده: منوی هوشمند LLM + base de données : Le menu intelligent
زنجیره‌سازی با LangChain - خط مونتاژ هوش مصنوعی Chaînage avec LangChain – La chaîne de montage de l’IA
پروژه: یک برنامه LLM کامل با یک رابط کاربری سفارشی ایجاد کنید Projet : Créez une application LLM complète avec une interface personnalisée

نگه داشتن تازگی - پیگیری و بهبود Garder la fraîcheur – Suivi et amélioration

مقدمه‌ای بر "نگه داشتن تازگی - پیگیری و بهبود" Introduction à “Garder la fraîcheur – Suivi et amélioration”
حلقه‌های بازخورد - مانند نظرات Yelp برای هوش مصنوعی Boucles de rétroaction – Comme des avis Yelp pour l’IA
ثبت و نظارت - دوربین‌های هوشمند در آشپزخانه Journalisation et surveillance – Caméras intelligentes en cuisine
تست A/B - کدام دسر برنده است؟ Test A/B – Quel dessert gagne ?
دریفت مدل - وقتی سلیقه‌ها با گذشت زمان تکامل می‌یابند Dérive du modèle – Quand les goûts évoluent avec le temps
به‌روزرسانی پرامپت‌ها، مجموعه‌داده‌ها و استقرارها Mise à jour des prompts, des jeux de données et des déploiements

تبدیل شدن به یک سرآشپز بزرگ - حرفه در مهندسی LLM Devenir un grand chef – Carrière en ingénierie LLM

مقدمه‌ای بر "تبدیل شدن به یک سرآشپز بزرگ - حرفه در مهندسی LLM" Introduction à “Devenir un grand chef – Carrière en ingénierie LLM”
مشاغل پیرامون LLM: مهندس، معمار، متخصص پرامپت Métiers autour des LLM : ingénieur, architecte, spécialiste des prompts
ایجاد نمونه کارها - کتاب دستور پخت هوش مصنوعی شما Créer votre portfolio – Votre livre de recettes d’IA
مشارکت در متن‌باز: مجموعه‌داده‌ها، مدل‌ها، ابزارها Contribuer à l’open source : jeux de données, modèles, outils
نکات رزومه، مصاحبه و سوالات فنی Conseils CV, entretiens et questions techniques
پروژه نهایی: برنامه LLM خود را ایجاد و مستقر کنید Projet final : Créez et déployez votre propre application LLM

101 پروژه 101 Projets

لیست 101 پروژه با قدرت LLM Liste de 101 Projets Alimentés par des LLMs

برای ارسال نظر ثبت نام کنید.

آموزش از دستور پخت تا سرآشپز: مهندس مدل‌های زبانی بزرگ (LLM) شوید - آخرین آپدیت

دانلود [FR] De la Recette au Chef : Devenez Ingénieur en LLM new

یادگیری LLM بدون نیاز به کدنویسی: آموزش هوش مصنوعی با تشبیهات آشپزی

پیش نیازها:

چه خبر است؟ مقدمه‌ای بر LLMها Qu’est-ce qui mijote ? Introduction aux LLM

مقدمه‌ای بر "چه خبر است؟ مقدمه‌ای بر LLMها" Introduction à “Qu’est-ce qui mijote ? Introduction aux LLM”

مدل زبانی چیست؟ Qu’est-ce qu’un modèle de langage ?

تکامل LLMها - از ماشین تحریرها تا ربات‌های آشپزی L’évolution des LLM – Des machines à écrire aux robots gastronomiques

LLMها چگونه "کلمه بعدی را پیش‌بینی می‌کنند" (تهیه خودکار ساندویچ) Comment les LLM “prédisent le mot suivant”(Préparation automatique de sandwichs)

تفاوت بین LLMها و هوش مصنوعی سنتی (مایکروویو در مقابل آشپزی حرفه‌ای) Différences entre LLMs et IA traditionnelle (Micro-ondes vs Cuisine de Chef)

مروری بر LLMهای محبوب: GPT، Claude، Gemini، LLaMA Tour d’horizon des LLM populaires: GPT, Claude, Gemini, LLaMA

مواد اولیه مهم هستند - درک داده‌ها Les ingrédients comptent – Comprendre les données

مقدمه‌ای بر "مواد اولیه مهم هستند - درک داده‌ها" Introduction à “Les ingrédients comptent – Comprendre les données”

داده‌های آموزشی چیست؟ (پر کردن انبار مواد غذایی) Qu’est-ce que les données d'entraînement ? (Remplir le garde-manger)

توکنایزیشن - تقسیم متن به قطعات قابل هضم Tokenisation – Découper le texte en morceaux digestes

مجموعه داده‌ها برای LLM: ویکی‌پدیا، کتاب‌ها، متون وب Jeux de données pour LLM : Wikipédia, livres, textes web

داده‌های بی‌کیفیت = نتایج نامرغوب Des données de mauvaise qualité = résultats médiocres

سوگیری در داده‌ها = برای بعضی‌ها خیلی تند، برای بعضی‌ها خیلی بی‌مزه Biais dans les données = Trop épicé pour les uns, trop fade pour les autres

آشپزی در مقیاس بزرگ - مبانی آموزش مدل‌ها Cuisiner à grande échelle – Bases de l'entraînement des modèles

مقدمه‌ای بر "آشپزی در مقیاس بزرگ - مبانی آموزش مدل‌ها" Introduction à “Cuisiner à grande échelle – Bases de l'entraînement des modèles”

هنگام آموزش یک مدل چه اتفاقی می‌افتد؟ (مخلوط کردن، پختن، تنظیم کردن) Que se passe-t-il lors de l'entraînement d’un modèle? (Mélanger, cuire, ajuster)

دوره‌ها، دسته‌ها و Loss - چرخه‌های پخت Époques, lots et perte – Les cycles de cuisson

GPUها و TPUها - اجاق‌های صنعتی آموزش GPUs et TPUs – Les fours industriels de l'entraînement

پیش‌آموزش در مقابل فاین‌تیونینگ - دستور پخت اصلی در مقابل نوع منطقه‌ای Pré-entraînement vs Fine-tuning – Recette maîtresse vs Variante régionale

هزینه آموزش - قبض سوپرمارکت LLMها Coût de l'entraînement – L’addition du supermarché des LLM

مهندسی پرامپت - چاشنی زدن برای یک نتیجه عالی Ingénierie de Prompt – Assaisonner pour un résultat parfait

مقدمه‌ای بر "مهندسی پرامپت - چاشنی زدن برای یک نتیجه عالی" Introduction à “Ingénierie de Prompt – Assaisonner pour un résultat parfait”

آناتومی یک پرامپت - ترکیب مخفی ادویه‌ها Anatomie d’un prompt – Le mélange secret d’épices

سبک‌های پرامپت: Zero-shot، Few-shot، Chain-of-Thought (مانند نمک، فلفل، گیاهان) Styles de prompts: Zero-shot,Few-shot,Chain-of-Thought(Comme sel, piment, herbes

پرامپت‌های نقش‌آفرینی - "طوری رفتار کن که انگار یک باریستا هستی" Prompts en jeu de rôle – “Fais comme si tu étais un barista”

بهینه‌سازی پرامپت‌ها - از خام تا خوب پخته شده Optimisation des prompts – De cru à bien cuisiné

ارزیابی پرامپت‌ها - تست طعم پرامپت‌ها Évaluation des prompts – Test de goût des prompts

Fine-Tuning - سفارشی کردن دستور پخت Fine-Tuning – Personnaliser la recette

مقدمه‌ای بر "Fine-Tuning - سفارشی کردن دستور پخت" Introduction à “Fine-Tuning – Personnaliser la recette”

Fine-Tuning چیست؟ - لمس مادربزرگ به یک دستور پخت کلاسیک Qu’est-ce que le Fine-Tuning ? – La touche de grand-mère à une recette classique

یادگیری انتقالی - استفاده مجدد از پایه کیک و اضافه کردن روکش Apprentissage par transfert– Réutiliser une base de gâteau et ajouter le glaçage

تکنیک‌ها: Fine-Tuning کامل در مقابل LoRA (انطباق با رتبه پایین) Techniques : Fine-Tuning complet vs LoRA (Adaptation à faible rang)

Fine-Tuning با داده‌های خودتان (آشپزخانه شما، قوانین شما) Fine-Tuning avec vos propres données (Votre cuisine, vos règles)

ابزارهای Fine-Tuning: Hugging Face، Google Colab، PEFT Outils pour Fine-Tuning : Hugging Face, Google Colab, PEFT

ارزیابی LLMها - تست طعم Évaluer les LLM – Test de goût

مقدمه‌ای بر "ارزیابی LLMها - تست طعم" Introduction à “Évaluer les LLM – Test de goût”

چرا ارزیابی مهم است - آخرین بررسی سرآشپز Pourquoi l’évaluation est importante – La dernière vérification du chef

معیارهای کمی: پرپلکسیتی، BLEU، ROUGE Métriques quantitatives : Perplexité, BLEU, ROUGE

معیارهای کیفی: بازخوردهای انسانی، سودمندی، ارتباط Métriques qualitatives : Retours humains, utilité, pertinence

توهمات و خطاهای مدل - طعم‌های غیرمنتظره Hallucinations et erreurs du modèle – Saveurs inattendues

تشخیص سوگیری - سازگاری با ترجیحات غذایی Détection des biais – S’adapter aux préférences alimentaires

سرو غذای خود - استقرار LLMها Servir votre plat – Déployer les LLM

مقدمه‌ای بر "سرو غذای خود - استقرار LLMها" Introduction à “Servir votre plat – Déployer les LLM”

استقرار چیست؟ - افتتاح یک رستوران موقت Qu’est-ce que le déploiement ? – Ouvrir un restaurant éphémère

ایجاد APIها با FastAPI یا Flask Créer des APIs avec FastAPI ou Flask

استفاده از Gradio/Streamlit برای رابط‌های نمایشی Utiliser Gradio/Streamlit pour les interfaces de démonstration

گزینه‌های میزبانی: Hugging Face Spaces، AWS، GCP Options d’hébergement : Hugging Face Spaces, AWS, GCP

مقیاس‌بندی و نظارت - نگه داشتن بوفه به طور روان Mise à l’échelle et surveillance – Garder le buffet en marche en douceur

ساخت برنامه‌ها با LLM - فودتراک خودتان Créer des applications avec LLM – Votre propre food truck

مقدمه‌ای بر "ساخت برنامه‌ها با LLM - فودتراک خودتان" Introduction à “Créer des applications avec LLM – Votre propre food truck”

موارد استفاده: چت‌بات‌ها، خلاصه‌کننده‌ها، سیستم‌های توصیه Cas d’usage : chatbots, résumeurs, systèmes de recommandation

ابزارهای بدون کد: مدل‌های LangChain، GPT Builder، Voiceflow Outils sans code : Modèles LangChain, GPT Builder, Voiceflow

LLM + پایگاه داده: منوی هوشمند LLM + base de données : Le menu intelligent

زنجیره‌سازی با LangChain - خط مونتاژ هوش مصنوعی Chaînage avec LangChain – La chaîne de montage de l’IA

پروژه: یک برنامه LLM کامل با یک رابط کاربری سفارشی ایجاد کنید Projet : Créez une application LLM complète avec une interface personnalisée

نگه داشتن تازگی - پیگیری و بهبود Garder la fraîcheur – Suivi et amélioration

مقدمه‌ای بر "نگه داشتن تازگی - پیگیری و بهبود" Introduction à “Garder la fraîcheur – Suivi et amélioration”

حلقه‌های بازخورد - مانند نظرات Yelp برای هوش مصنوعی Boucles de rétroaction – Comme des avis Yelp pour l’IA

ثبت و نظارت - دوربین‌های هوشمند در آشپزخانه Journalisation et surveillance – Caméras intelligentes en cuisine

تست A/B - کدام دسر برنده است؟ Test A/B – Quel dessert gagne ?

دریفت مدل - وقتی سلیقه‌ها با گذشت زمان تکامل می‌یابند Dérive du modèle – Quand les goûts évoluent avec le temps

به‌روزرسانی پرامپت‌ها، مجموعه‌داده‌ها و استقرارها Mise à jour des prompts, des jeux de données et des déploiements

تبدیل شدن به یک سرآشپز بزرگ - حرفه در مهندسی LLM Devenir un grand chef – Carrière en ingénierie LLM

مقدمه‌ای بر "تبدیل شدن به یک سرآشپز بزرگ - حرفه در مهندسی LLM" Introduction à “Devenir un grand chef – Carrière en ingénierie LLM”

مشاغل پیرامون LLM: مهندس، معمار، متخصص پرامپت Métiers autour des LLM : ingénieur, architecte, spécialiste des prompts

ایجاد نمونه کارها - کتاب دستور پخت هوش مصنوعی شما Créer votre portfolio – Votre livre de recettes d’IA

مشارکت در متن‌باز: مجموعه‌داده‌ها، مدل‌ها، ابزارها Contribuer à l’open source : jeux de données, modèles, outils

نکات رزومه، مصاحبه و سوالات فنی Conseils CV, entretiens et questions techniques

پروژه نهایی: برنامه LLM خود را ایجاد و مستقر کنید Projet final : Créez et déployez votre propre application LLM

101 پروژه 101 Projets

لیست 101 پروژه با قدرت LLM Liste de 101 Projets Alimentés par des LLMs

نمایش نظرات

https://donyad.com/d/b3b05b