مهندسی LLM: استاد هوش مصنوعی و مدل‌های زبان بزرگ (LLM)

سرفصل ها و درس ها

هفته 1 - اولین محصول LLM خود را بسازید: کاوش در مدل های مرزی و ترانسفورماتورها Week 1 - Build Your First LLM Product: Exploring Frontier Models & Transformers

• روز اول - تسلط بر مهندسی LLM: از اصول اولیه تا عملکرد بهتر از GPT-4 در 8 هفته Day 1 - Mastering LLM Engineering: From Basics to Outperforming GPT-4 in 8 Weeks

• روز 1 - شروع به کار با هوش مصنوعی مولد: مراحل اولیه در راه اندازی پروژه LLM Day 1 - Getting Started with Generative AI: First Steps in LLM Project Setup

• تمام مطالب کلاس اینجا هست All materials for the class are here

• روز اول - ایجاد خلاصه‌کننده صفحه وب با OpenAI GPT-4: رضایت فوری Day 1 - Building a Web Page Summarizer with OpenAI GPT-4: Instant Gratification

• روز اول - تسلط بر OpenAI API: برای مدل های مرزی در هوش مصنوعی مولد کد بنویسید Day 1 - Mastering OpenAI API: Write Code for Frontier Models in Generative AI

• روز 2 - ساختار دوره آموزشی هوش مصنوعی: 8 هفته تا تسلط LLM Day 2 - Generative AI Course Structure: 8 Weeks to LLM Mastery

• روز 2 - کاوش در Frontier LLM: ChatGPT، Claude، Gemini و موارد دیگر Day 2 - Exploring Frontier LLMs: ChatGPT, Claude, Gemini and more

• روز 3 - Frontier LLM: بررسی نقاط قوت و ضعف مدل‌های هوش مصنوعی نسل برتر Day 3 - Frontier LLMs: Exploring Strengths and Weaknesses of Top Gen AI Models

• روز 3 - ChatGPT در مقابل سایر LLM ها: نقاط قوت، نقاط ضعف، و مدل های مکمل Day 3 - ChatGPT vs Other LLMs: Strengths, Weaknesses, and Complementary Models

• روز 3 - کلود هوش مصنوعی: بررسی قابلیت ها و محدودیت های مدل مرزی Day 3 - Claude AI: Exploring Capabilities and Limitations of the Frontier Model

• روز 3 - مقایسه هوش مصنوعی Gemini با سایر مدل های مرزی: نقاط قوت و محدودیت ها Day 3 - Comparing Gemini AI to Other Frontier Models: Strengths and Limitations

• روز 3 - مقایسه Frontier LLM: Command-R Plus، Meta AI و مدل های هوش مصنوعی Perplexity Day 3 - Comparing Frontier LLMs: Command-R Plus, Meta AI, & Perplexity AI Models

• روز سوم - مقایسه مدل‌های برتر هوش مصنوعی: GPT-4، کلود، و جمینی در نبرد رهبری Day 3 - Comparing Top AI Models: GPT-4, Claude, and Gemini in Leadership Battle

• روز 4 - نبرد رهبری هوش مصنوعی: تجزیه و تحلیل زمین های GPT-4، Claude-3 و Gemini-1.5 Day 4 - AI Leadership Battle: Analyzing GPT-4, Claude-3, and Gemini-1.5 Pitches

• روز چهارم - پیشرفت‌های هوش مصنوعی: مدل‌های ترانسفورماتور و هوش اضطراری Day 4 - Gen AI Breakthroughs: Transformer Models & Emergent Intelligence

• روز 4 - توکن سازی در LLM: چگونه GPT متن را برای وظایف زبان طبیعی پردازش می کند Day 4 - Tokenization in LLMs: How GPT Processes Text for Natural Language Tasks

• روز 4 - درک زمینه ویندوز: به حداکثر رساندن عملکرد و حافظه LLM Day 4 - Understanding Context Windows: Maximizing LLM Performance and Memory

• روز 5 - اجرای یک شات اعلان با OpenAI برای برنامه های تجاری Day 5 - Implementing One-Shot Prompting with OpenAI for Business Applications

• روز پنجم - نحوه استفاده از GPT-4 برای نسل JSON در پایتون: Web Scraping با هوش مصنوعی Day 5 - How to Use GPT-4 for JSON Generation in Python: AI-Powered Web Scraping

• روز پنجم - ساختن یک راه حل کامل تجاری با هوش مصنوعی مولد و API OpenAI Day 5 - Building a Full Business Solution with Generative AI and OpenAI's API

• روز پنجم - توسعه هوش مصنوعی: تکنیک‌های چندشاخه و ترجمه Day 5 - Extending Gen AI: Multi-Shot Prompting & Translation Techniques

هفته 2 - ساخت یک چت ربات چند وجهی: LLMs، Gradio UI، و Agents in Action Week 2 - Build a Multi-Modal Chatbot: LLMs, Gradio UI, and Agents in Action

• روز اول - تسلط بر چندین API AI: OpenAI، Claude، و Gemini برای مهندسین LLM Day 1 - Mastering Multiple AI APIs: OpenAI, Claude, and Gemini for LLM Engineers

• روز 1 - استریم پاسخ های هوش مصنوعی: پیاده سازی خروجی بلادرنگ LLM در پایتون Day 1 - Streaming AI Responses: Implementing Real-Time LLM Output in Python

• روز 1 - نحوه ایجاد مکالمات AI دشمن با استفاده از OpenAI و Claude API Day 1 - How to Create Adversarial AI Conversations Using OpenAI and Claude APIs

• روز اول - ابزارهای هوش مصنوعی: کاوش در Transformers & Frontier LLM برای توسعه دهندگان Day 1 - AI Tools: Exploring Transformers & Frontier LLMs for Developers

• روز دوم - ایجاد رابط‌های هوش مصنوعی با Gradio: نمونه‌سازی سریع برای مهندسان LLM Day 2 - Building AI UIs with Gradio: Quick Prototyping for LLM Engineers

• روز 2 - آموزش Gradio: ایجاد رابط های هوش مصنوعی تعاملی برای مدل های OpenAI GPT Day 2 - Gradio Tutorial: Create Interactive AI Interfaces for OpenAI GPT Models

• روز 2 - اجرای پاسخ های جریانی با GPT و Claude در Gradio UI Day 2 - Implementing Streaming Responses with GPT and Claude in Gradio UI

• روز 2 - ساخت یک رابط چت هوش مصنوعی چند مدل با Gradio: GPT در مقابل کلود Day 2 - Building a Multi-Model AI Chat Interface with Gradio: GPT vs Claude

• روز دوم - ایجاد رابط‌های هوش مصنوعی پیشرفته: از OpenAI API تا رابط‌های چت با Gradio Day 2 - Building Advanced AI UIs: From OpenAI API to Chat Interfaces with Gradio

• روز 3 - ساخت ربات‌های چت هوش مصنوعی: تسلط بر Gradio برای دستیاران پشتیبانی مشتری Day 3 - Building AI Chatbots: Mastering Gradio for Customer Support Assistants

• روز 3 - ساخت ربات گفتگوی هوش مصنوعی با OpenAI و Gradio: گام به گام Day 3 - Build a Conversational AI Chatbot with OpenAI & Gradio: Step-by-Step

• روز 3 - تقویت چت بات ها با درخواست چند شات و غنی سازی زمینه Day 3 - Enhancing Chatbots with Multi-Shot Prompting and Context Enrichment

• روز 3 - تسلط بر ابزارهای هوش مصنوعی: توانمندسازی LLM ها برای اجرای کد روی دستگاه شما Day 3 - Mastering AI Tools: Empowering LLMs to Run Code on Your Machine

• روز چهارم - استفاده از ابزارهای هوش مصنوعی با LLM: افزایش قابلیت‌های مدل زبانی بزرگ Day 4 - Using AI Tools with LLMs: Enhancing Large Language Model Capabilities

• روز چهارم - ساخت دستیار خط هوایی هوش مصنوعی: پیاده سازی ابزارها با OpenAI GPT-4 Day 4 - Building an AI Airline Assistant: Implementing Tools with OpenAI GPT-4

• روز چهارم - نحوه تجهیز LLM با ابزارهای سفارشی: آموزش فراخوانی تابع OpenAI Day 4 - How to Equip LLMs with Custom Tools: OpenAI Function Calling Tutorial

• روز 4 - تسلط بر ابزارهای هوش مصنوعی: ساخت دستیاران پیشرفته مجهز به LLM با API Day 4 - Mastering AI Tools: Building Advanced LLM-Powered Assistants with APIs

• روز پنجم - دستیاران هوش مصنوعی چندوجهی: یکپارچه سازی تولید تصویر و صدا Day 5 - Multimodal AI Assistants: Integrating Image and Sound Generation

• روز پنجم - هوش مصنوعی چندوجهی: ادغام تولید تصویر DALL-E 3 در JupyterLab Day 5 - Multimodal AI: Integrating DALL-E 3 Image Generation in JupyterLab

• روز پنجم - ساخت یک عامل هوش مصنوعی چندوجهی: یکپارچه سازی ابزارهای صوتی و تصویری Day 5 - Build a Multimodal AI Agent: Integrating Audio & Image Tools

• روز پنجم - نحوه ساخت دستیار هوش مصنوعی چندوجهی: یکپارچه سازی ابزارها و عوامل Day 5 - How to Build a Multimodal AI Assistant: Integrating Tools and Agents

هفته 3 - AI ژن منبع باز: ایجاد راه حل های خودکار با HuggingFace Week 3 - Open-Source Gen AI: Building Automated Solutions with HuggingFace

• روز اول - آموزش چهره در آغوش گرفتن: کاوش مدل‌ها و مجموعه داده‌های AI منبع باز Day 1 - Hugging Face Tutorial: Exploring Open-Source AI Models and Datasets

• روز اول - کاوش HuggingFace Hub: مدل‌ها، مجموعه داده‌ها و فضاها برای توسعه‌دهندگان هوش مصنوعی Day 1 - Exploring HuggingFace Hub: Models, Datasets & Spaces for AI Developers

• روز اول - معرفی Google Colab: نوت‌بوک‌های Cloud Jupyter برای یادگیری ماشین Day 1 - Intro to Google Colab: Cloud Jupyter Notebooks for Machine Learning

• روز اول - ادغام صورت در آغوش گرفتن با Google Colab: رازها و تنظیم کلیدهای API Day 1 - Hugging Face Integration with Google Colab: Secrets and API Keys Setup

• روز اول - تسلط بر Google Colab: مدل‌های AI منبع باز را با صورت در آغوش بگیرید Day 1 - Mastering Google Colab: Run Open-Source AI Models with Hugging Face

• روز دوم - ترانسفورماتورهای صورت در آغوش گرفتن: استفاده از خطوط لوله برای وظایف هوش مصنوعی در پایتون Day 2 - Hugging Face Transformers: Using Pipelines for AI Tasks in Python

• روز 2 - خطوط لوله در آغوش گرفتن صورت: ساده کردن وظایف هوش مصنوعی با کتابخانه ترانسفورماتور Day 2 - Hugging Face Pipelines: Simplifying AI Tasks with Transformers Library

• روز 2 - تسلط بر خطوط لوله HuggingFace: استنتاج کارآمد هوش مصنوعی برای وظایف ML Day 2 - Mastering HuggingFace Pipelines: Efficient AI Inference for ML Tasks

• روز 3 - کاوش توکن سازها در هوش مصنوعی منبع باز: Llama، Phi-2، Qwen و Starcoder Day 3 - Exploring Tokenizers in Open-Source AI: Llama, Phi-2, Qwen, & Starcoder

• روز 3 - تکنیک های توکن سازی در هوش مصنوعی: استفاده از AutoTokenizer با مدل LLAMA 3.1 Day 3 - Tokenization Techniques in AI: Using AutoTokenizer with LLAMA 3.1 Model

• روز 3 - مقایسه توکن سازها: Llama، PHI-3، و QWEN2 برای مدل‌های AI منبع باز Day 3 - Comparing Tokenizers: Llama, PHI-3, and QWEN2 for Open-Source AI Models

• روز 3 - توکن سازهای صورت در آغوش گرفتن: آماده شدن برای تولید متن پیشرفته با هوش مصنوعی Day 3 - Hugging Face Tokenizers: Preparing for Advanced AI Text Generation

• روز 4 - کلاس مدل چهره در آغوش: استنتاج در حال اجرا بر روی مدل‌های AI منبع باز Day 4 - Hugging Face Model Class: Running Inference on Open-Source AI Models

• روز 4 - ترانسفورماتورهای صورت در آغوش گرفتن: بارگیری و کوانتیزه کردن LLM ها با بیت و بایت Day 4 - Hugging Face Transformers: Loading & Quantizing LLMs with Bits & Bytes

• روز چهارم - ترانسفورماتورهای صورت در آغوش گرفتن: ایجاد جوک با مدل‌های هوش مصنوعی منبع باز Day 4 - Hugging Face Transformers: Generating Jokes with Open-Source AI Models

• روز چهارم - تسلط بر ترانسفورماتورهای صورت در آغوش گرفته: مدل ها، خطوط لوله و توکن سازها Day 4 - Mastering Hugging Face Transformers: Models, Pipelines, and Tokenizers

• روز پنجم - ترکیب مدل های مرزی و منبع باز برای خلاصه سازی صدا به متن Day 5 - Combining Frontier & Open-Source Models for Audio-to-Text Summarization

• روز پنجم - استفاده از Hugging Face و OpenAI برای تولید دقیقه جلسه با هوش مصنوعی Day 5 - Using Hugging Face & OpenAI for AI-Powered Meeting Minutes Generation

• روز پنجم - ساخت یک تولیدکننده داده آزمایشی مصنوعی: مدل AI منبع باز برای تجارت Day 5 - Build a Synthetic Test Data Generator: Open-Source AI Model for Business

هفته 4 - مسابقه LLM: ارزیابی مدل ها برای تولید کد و وظایف تجاری Week 4 - LLM Showdown: Evaluating Models for Code Generation & Business Tasks

• روز 1 - نحوه انتخاب LLM مناسب: مقایسه مدل های منبع باز و بسته Day 1 - How to Choose the Right LLM: Comparing Open and Closed Source Models

• روز 1 - قانون پوسته پوسته شدن چینچیلا: بهینه سازی پارامترهای LLM و اندازه داده های آموزشی Day 1 - Chinchilla Scaling Law: Optimizing LLM Parameters and Training Data Size

• روز 1 - محدودیت های معیارهای LLM: بیش از حد برازش و نشت داده های آموزشی Day 1 - Limitations of LLM Benchmarks: Overfitting and Training Data Leakage

• روز اول - ارزیابی مدل‌های زبان بزرگ: 6 معیار سطح بعدی رونمایی شد Day 1 - Evaluating Large Language Models: 6 Next-Level Benchmarks Unveiled

• روز اول - HuggingFace OpenLLM Leaderboard: مقایسه مدل های زبان منبع باز Day 1 - HuggingFace OpenLLM Leaderboard: Comparing Open-Source Language Models

• روز اول - تابلوهای برتر کارشناسی ارشد LLM: مقایسه مدل های منبع باز و متن بسته Day 1 - Master LLM Leaderboards: Comparing Open Source and Closed Source Models

• روز 2 - مقایسه LLM ها: 6 رتبه برتر برای ارزیابی مدل های زبان Day 2 - Comparing LLMs: Top 6 Leaderboards for Evaluating Language Models

• روز 2 - تابلوهای امتیازات تخصصی LLM: یافتن بهترین مدل برای مورد استفاده شما Day 2 - Specialized LLM Leaderboards: Finding the Best Model for Your Use Case

• روز 2 - LLAMA در مقابل GPT-4: مقایسه مدل‌های زبان بزرگ برای تولید کد Day 2 - LLAMA vs GPT-4: Benchmarking Large Language Models for Code Generation

• روز 2 - مدل‌های زبان رتبه‌بندی شده توسط انسان: آشنایی با عرصه چت‌بات LM Sys Day 2 - Human-Rated Language Models: Understanding the LM Sys Chatbot Arena

• روز دوم - کاربردهای تجاری مدل های زبان بزرگ: از قانون تا آموزش Day 2 - Commercial Applications of Large Language Models: From Law to Education

• روز 2 - مقایسه LLMهای مرزی و منبع باز برای پروژه های تبدیل کد Day 2 - Comparing Frontier and Open-Source LLMs for Code Conversion Projects

• روز 3 - استفاده از مدل های مرزی برای تولید کد با کارایی بالا در C++ Day 3 - Leveraging Frontier Models for High-Performance Code Generation in C++

• روز 3 - مقایسه LLM های برتر برای تولید کد: GPT-4 در مقابل غزل کلود 3.5 Day 3 - Comparing Top LLMs for Code Generation: GPT-4 vs Claude 3.5 Sonnet

• روز 3 - بهینه سازی کد پایتون با مدل های زبان بزرگ: GPT-4 در مقابل Claude 3.5 Day 3 - Optimizing Python Code with Large Language Models: GPT-4 vs Claude 3.5

• روز 3 - مشکلات تولید کد: زمانی که مدل های زبان بزرگ خطا تولید می کنند Day 3 - Code Generation Pitfalls: When Large Language Models Produce Errors

• روز سوم - تولید کدهای سریع: چگونه کلود 13000 برابر پایتون را بهتر کرد Day 3 - Blazing Fast Code Generation: How Claude Outperforms Python by 13,000x

• روز 3 - ساخت یک رابط کاربری Gradio برای تولید کد با مدل های زبان بزرگ Day 3 - Building a Gradio UI for Code Generation with Large Language Models

• روز سوم - بهینه سازی تولید کد C++: مقایسه عملکرد GPT و کلود Day 3 - Optimizing C++ Code Generation: Comparing GPT and Claude Performance

• روز 3 - مقایسه GPT-4 و Claude برای تولید کد: معیارهای عملکرد Day 3 - Comparing GPT-4 and Claude for Code Generation: Performance Benchmarks

• روز 4 - LLMهای منبع باز برای تولید کد: نقاط پایانی صورت در آغوش گرفته شد Day 4 - Open Source LLMs for Code Generation: Hugging Face Endpoints Explored

• روز 4 - نحوه استفاده از نقاط پایانی استنتاج HuggingFace برای مدل های تولید کد Day 4 - How to Use HuggingFace Inference Endpoints for Code Generation Models

• روز 4 - یکپارچه سازی مدل های منبع باز با Frontier LLM برای تولید کد Day 4 - Integrating Open-Source Models with Frontier LLMs for Code Generation

• روز 4 - مقایسه تولید کد: GPT-4، کلود و CodeQuen LLM Day 4 - Comparing Code Generation: GPT-4, Claude, and CodeQuen LLMs

• روز چهارم - تسلط بر تولید کد با LLM: تکنیک ها و انتخاب مدل Day 4 - Mastering Code Generation with LLMs: Techniques and Model Selection

• روز پنجم - ارزیابی عملکرد LLM: معیارهای مدل محور در مقابل معیارهای کسب و کار Day 5 - Evaluating LLM Performance: Model-Centric vs Business-Centric Metrics

• روز پنجم - تسلط بر تولید کد LLM: چالش های پیشرفته برای توسعه دهندگان پایتون Day 5 - Mastering LLM Code Generation: Advanced Challenges for Python Developers

تسلط بر RAG: ساخت راه حل های پیشرفته با جاسازی های برداری و LangChain Mastering RAG: Build Advanced Solutions with Vector Embeddings & LangChain

• روز 1 - اصول RAG: استفاده از داده های خارجی برای بهبود پاسخ های LLM Day 1 - RAG Fundamentals: Leveraging External Data to Improve LLM Responses

• روز 1 - ساختن یک سیستم RAG DIY: پیاده سازی نسل افزوده بازیابی Day 1 - Building a DIY RAG System: Implementing Retrieval-Augmented Generation

• روز 1 - درک جاسازی های برداری: کلید بازیابی RAG و LLM Day 1 - Understanding Vector Embeddings: The Key to RAG and LLM Retrieval

• روز دوم - رونمایی LangChain: پیاده سازی RAG را برای برنامه های LLM ساده کنید Day 2 - Unveiling LangChain: Simplify RAG Implementation for LLM Applications

• روز 2 - آموزش تقسیم متن LangChain: بهینه سازی تکه ها برای سیستم های RAG Day 2 - LangChain Text Splitter Tutorial: Optimizing Chunks for RAG Systems

• روز 2 - آماده سازی برای پایگاه های داده برداری: جاسازی های OpenAI و Chroma در RAG Day 2 - Preparing for Vector Databases: OpenAI Embeddings and Chroma in RAG

• روز 3 - تسلط بر جاسازی‌های برداری: OpenAI و Chroma برای مهندسی LLM Day 3 - Mastering Vector Embeddings: OpenAI and Chroma for LLM Engineering

• روز 3 - تجسم جاسازی ها: کاوش فضای چند بعدی با t-SNE Day 3 - Visualizing Embeddings: Exploring Multi-Dimensional Space with t-SNE

• روز 3 - ساخت خطوط لوله RAG: از بردارها تا جاسازی ها با LangChain Day 3 - Building RAG Pipelines: From Vectors to Embeddings with LangChain

• روز 4 - پیاده سازی خط لوله RAG: LLM، Retriever و Memory در LangChain Day 4 - Implementing RAG Pipeline: LLM, Retriever, and Memory in LangChain

• روز 4 - تسلط بر نسل افزوده بازیابی: ادغام دستی LLM Day 4 - Mastering Retrieval-Augmented Generation: Hands-On LLM Integration

• روز 4 - خط لوله اصلی RAG: ساخت سیستم های RAG کارآمد Day 4 - Master RAG Pipeline: Building Efficient RAG Systems

• روز پنجم - بهینه سازی سیستم های RAG: عیب یابی و رفع مشکلات رایج Day 5 - Optimizing RAG Systems: Troubleshooting and Fixing Common Problems

• روز پنجم - تغییر فروشگاه‌های وکتور: FAISS در مقابل Chroma در خطوط لوله LangChain RAG Day 5 - Switching Vector Stores: FAISS vs Chroma in LangChain RAG Pipelines

• روز پنجم - رمزگشایی LangChain: پشت صحنه ساخت خط لوله RAG Day 5 - Demystifying LangChain: Behind-the-Scenes of RAG Pipeline Construction

• روز 5 - اشکال زدایی RAG: بهینه سازی بازیابی متن در LangChain Day 5 - Debugging RAG: Optimizing Context Retrieval in LangChain

• روز پنجم - کارمند دانش هوش مصنوعی شخصی خود را بسازید: RAG برای افزایش بهره وری Day 5 - Build Your Personal AI Knowledge Worker: RAG for Productivity Boost

هفته 6: تنظیم دقیق مدل های زبان بزرگ مرزی با LoRA/QLoRA Week 6: Fine-tuning Frontier Large Language Models with LoRA/QLoRA

• روز 1 - انتقال از استنتاج به مدل های آموزشی Day 1 - Transition from Inference to Training Models

• روز 1 - یافتن مجموعه داده ها برای آموزش و تنظیم دقیق Day 1 - Finding Datasets for Training and Fine-Tuning

• روز 1 - شیرجه عمیق به مدیریت و تجسم مجموعه داده Day 1 - Deep Dive into Dataset Curation and Visualization

• روز 1 - تمیز کردن و مانگینگ مجموعه داده ها برای آموزش مدل Day 1 - Scrubbing and Munging Datasets for Model Training

• روز اول - ارزیابی موفقیت مدل از طریق معیارها Day 1 - Evaluating Model Success through Metrics

• روز 2 - استراتژی حل مسئله برای راه حل های LLM Day 2 - Problem Solving Strategy for LLM Solutions

• روز 2 - درخواست، RAG و تنظیم دقیق: زمان استفاده از هر رویکرد Day 2 - Prompting, RAG, and Fine-Tuning: When to Use Each Approach

• روز 2 - تولید مدل های LLM برای استقرار در دنیای واقعی Day 2 - Productionizing LLM Models for Real-World Deployment

• روز 2 - بارگذاری انبوه داده ها و پردازش موازی کارآمد Day 2 - Efficient Massive Data Loading and Parallel Processing

• روز 2 - ساخت و مدیریت مجموعه داده های آموزشی با کیفیت بالا Day 2 - Crafting and Curating High-Quality Training Datasets

• روز 2 - نهایی کردن مدیریت مجموعه داده و آپلود در هاب Day 2 - Finalizing Dataset Curation and Uploading to the Hub

• روز 2 - جمع آوری مجموعه داده ها و آماده سازی برای مدل های پایه Day 2 - Wrapping Up Dataset Curation and Preparing for Baseline Models

• روز 3 - درک و ایجاد مدل های پایه Day 3 - Understanding and Establishing Baseline Models

• روز 3 - کاوش مدل‌های پایه شدید برای پیش‌بینی Day 3 - Exploring Extreme Baseline Models for Prediction

• روز سوم - مقدمه ای بر مهندسی ویژگی Day 3 - Introduction to Feature Engineering

• روز 3 - ایجاد ویژگی های اضافی برای پیش بینی های بهبود یافته Day 3 - Creating Additional Features for Improved Predictions

• روز 3 - رگرسیون خطی و یادگیری ماشین سنتی Day 3 - Linear Regression and Traditional Machine Learning

• روز 3 - کیسه کلمات و Word2Vec: تکنیک های NLP در ML Day 3 - Bag of Words and Word2Vec: NLP Techniques in ML

• روز 3 - پشتیبانی از بردارها و جنگل های تصادفی در ML Day 3 - Support Vectors and Random Forests in ML

• روز سوم - مقایسه مدل‌های سنتی ML روی سکو Day 3 - Comparing Traditional ML Models on the Podium

• روز 4 - بالا بردن نوار با مدل های مرزی Day 4 - Raising the Bar with Frontier Models

• روز 4 - یک مدل اضافی شگفت انگیز: مقایسه عملکرد انسانی Day 4 - A Surprise Extra Model: Human Performance Comparison

• روز 4 - در نهایت: ورود به مرز با مدل های GPT Day 4 - Finally: Entering the Frontier with GPT Models

• روز 4 - اسلحه های بزرگ: مدل های مرزی پیشرفته در عمل Day 4 - The Big Guns: Advanced Frontier Models in Action

• روز 4 - تریبون مرزی: مقایسه عملکرد مدل Day 4 - The Frontier Podium: Comparing Model Performance

• روز 5 - زمان برای تنظیم دقیق مدل های مرزی Day 5 - Time for Fine-Tuning Frontier Models

• روز پنجم - آپلود فایل‌های JSONL در OpenAI برای تنظیم دقیق Day 5 - Uploading JSONL Files to OpenAI for Fine-Tuning

• روز 5 - راه اندازی فرآیند تنظیم دقیق Day 5 - Launching the Fine-Tuning Process

• روز 5 - آموزش Ahoy: نظارت بر پیشرفت در وزن ها و سوگیری ها Day 5 - Training Ahoy: Monitoring Progress in Weights & Biases

• روز پنجم - تکمیل فرآیند تنظیم دقیق Day 5 - Completing the Fine-Tuning Process

• روز پنجم - نتایج: آیا تنظیم دقیق عملکرد را بهبود بخشید؟ Day 5 - The Results: Did Fine-Tuning Improve Performance?

• روز پنجم - تریبون نهایی و نتیجه گیری Day 5 - Final Podium and Conclusion

مدل منبع باز تنظیم دقیق برای رقابت با Frontier در پیش بینی قیمت. Fine-tuned open-source model to compete with Frontier in price prediction.

• روز 1 - ایجاد انگیزه برای یک هفته عظیم در پیش رو با تکنیک های پیشرفته LLM Day 1 - Motivating a Massive Week Ahead with Advanced LLM Techniques

• روز 1 - معرفی آداپتورهای LoRA: سازگاری با رتبه پایین توضیح داده شد Day 1 - Introduction to LoRA Adaptors: Low-Rank Adaptation Explained

• روز 1 - اثر شگفت انگیز کوانتیزاسیون در تنظیم دقیق Day 1 - The Surprising Effectiveness of Quantization in Fine-Tuning

• روز 1 - سه فراپارامتر ضروری برای تنظیم دقیق QLoRA Day 1 - Three Essential Hyperparameters for QLoRA Fine-Tuning

• روز 1 - معماری LLAMA 3.1 8B: نگاهی نزدیکتر Day 1 - LLAMA 3.1 8B Architecture: A Closer Look

• روز 1 - کوانتیزاسیون: کاهش دقت مدل به 8 بیت Day 1 - Quantization: Reducing Model Precision to 8 Bits

• روز 1 - بررسی کوانتیزاسیون 4 بیتی و تأثیر آن بر اندازه مدل Day 1 - Exploring 4-Bit Quantization and Its Impact on Model Size

• روز 1 - تجزیه و تحلیل آداپتورهای LoRA و نقش آنها در تنظیم دقیق Day 1 - Analyzing LoRA Adaptors and Their Role in Fine-Tuning

• روز 1 - خلاصه اندازه مدل: مقایسه مدل های کوانتیزه شده و دقیق تنظیم شده Day 1 - Model Size Summary: Comparing Quantized and Fine-Tuned Models

• روز 2 - انتخاب مدل پایه برای تنظیم دقیق Day 2 - Selecting the Base Model for Fine-Tuning

• روز 2 - کاوش در تابلوی برتر HuggingFace و انتخاب LLAMA 3.1 Day 2 - Exploring the HuggingFace Leaderboard and Choosing LLAMA 3.1

• روز 2 - آزمایش با Tokenizers: چگونه آنها بر عملکرد مدل تاثیر می گذارند Day 2 - Experimenting with Tokenizers: How They Impact Model Performance

• روز 2 - اولین پیش بینی ها با LLAMA 3.1: عملکرد مدل پایه Day 2 - First Predictions with LLAMA 3.1: Base Model Performance

• روز 2 - ارزیابی LLAMA 3.1: نتایج کامل آزمون Day 2 - Evaluating LLAMA 3.1: Full Test Results

• روز 2 - تریبون: مقایسه عملکرد مدل در بین معیارها Day 2 - The Podium: Comparing Model Performance Across Benchmarks

• روز 3 - پنج فراپارامتر کلیدی برای تنظیم دقیق QLoRA Day 3 - Five Key Hyperparameters for QLoRA Fine-Tuning

• روز سوم - درک دوره ها و اندازه های دسته ای در آموزش مدل Day 3 - Understanding Epochs and Batch Sizes in Model Training

• روز 3 - نرخ یادگیری، انباشت گرادیان، و بهینه سازها توضیح داده شد Day 3 - Learning Rate, Gradient Accumulation, and Optimizers Explained

• روز 3 - راه اندازی فرآیند آموزشی برای تنظیم دقیق Day 3 - Setting Up the Training Process for Fine-Tuning

• روز 3 - مربی SFT: تنظیم دقیق LLM سفارشی شما Day 3 - SFT Trainer: Fine-Tuning Your Custom LLM

• روز 3 - راه اندازی فرآیند تنظیم دقیق Day 3 - Launching the Fine-Tuning Process

• روز 3 - آموزش در حال انجام: نظارت و مدیریت اجراهای آموزشی Day 3 - Training in Progress: Monitoring and Managing Training Runs

• روز 4 - پایین نگه داشتن هزینه های آموزشی: استراتژی های تنظیم دقیق کارآمد Day 4 - Keeping Training Costs Low: Efficient Fine-Tuning Strategies

• روز 4 - استفاده از مجموعه داده های جایگزین برای آموزش سریعتر Day 4 - Using an Alternative Dataset for Faster Training

• روز 4 - تجسم پیشرفت تمرین در وزن ها و سوگیری ها Day 4 - Visualizing Training Progress in Weights & Biases

• روز 4 - ابزارهای پیشرفته وزن‌ها و سوگیری‌ها و صرفه‌جویی در مدل در صورت در آغوش گرفتن Day 4 - Advanced Weights & Biases Tools and Model Saving on Hugging Face

• روز 4 - آماده شدن برای نتایج نهایی: چه چیزی در فرآیند آموزش قرار دارد Day 4 - Preparing for Final Results: What’s Next in the Training Process

• روز پنجم - چهار مرحله در آموزش: از پاس به جلو تا بهینه سازی Day 5 - The Four Steps in Training: From Forward Pass to Optimization

• روز 5 - توضیح Forward Pass، Loss، Backward Pass و Optimization در QLoRA Day 5 - Explaining Forward Pass, Loss, Backward Pass, and Optimization in QLoRA

• روز پنجم - درک Softmax و افت آنتروپی متقابل در آموزش مدل Day 5 - Understanding Softmax and Cross-Entropy Loss in Model Training

• روز 5 - بازگشت به وزن ها و سوگیری ها: نظارت بر پیشرفت آموزش Day 5 - Back to Weights & Biases: Monitoring Training Progress

• روز پنجم - بازدید مجدد از تریبون: مقایسه معیارهای عملکرد مدل Day 5 - Revisiting the Podium: Comparing Model Performance Metrics

• روز 5 - Drumroll: Running Inference on Our Fine-Tuned Model Day 5 - Drumroll: Running Inference on Our Fine-Tuned Model

• روز پنجم - تجسم نتایج: آیا ما GPT-4 را شکست دادیم؟ Day 5 - Visualization of Results: Did We Beat GPT-4?

• روز پنجم - چالش برای شما: بهینه سازی فراپارامترها برای بهبود نتایج Day 5 - Challenge for You: Optimizing Hyperparameters to Improve Results

هفته 8 - ساخت سیستم چند عاملی مستقل با همکاری مدل ها Week 8 - Build Autonomous multi agent system collaborating with models

• روز 1 - انگیزش هوش مصنوعی عامل: ساخت چارچوب های چند عاملی Day 1 - Motivating Agentic AI: Building Multi-Agent Frameworks

• روز 1 - معماری عامل: مروری بر پروژه Capstone ما Day 1 - Agent Architecture: Overview of Our Capstone Project

• روز اول - رونمایی از مدال: استقرار مدل‌های بدون سرور در فضای ابری Day 1 - Unveiling Modal: Deploying Serverless Models to the Cloud

• روز 1 - LLAMA روی ابر: اجرای موثر مدل های بزرگ Day 1 - LLAMA on the Cloud: Running Large Models Efficiently

• روز 1 - LLM ما در حال تولید است: استقرار مدل‌های تنظیم‌شده دقیق با Modal Day 1 - Our LLM is in Production: Deploying Fine-Tuned Models with Modal

• روز 1 - مدل های تولید چندگانه در پیش رو: آماده شدن برای راه حل های پیشرفته RAG Day 1 - Multiple Production Models Ahead: Preparing for Advanced RAG Solutions

• روز 2 - گردش کار دقیق عامل: ایجاد یک سیستم چند عاملی Day 2 - Detailed Agentic Workflow: Building a Multi-Agent System

• روز 2 - یک فروشگاه داده عظیم کروما وکتور برای خطوط لوله RAG کارآمد Day 2 - A Massive Chroma Vector Datastore for Efficient RAG Pipelines

• روز 2 - تجسم دو بعدی داده های برداری برای قیمت گذاری محصول Day 2 - 2D Visualizations of Vector Data for Product Pricing

• روز 2 - تجسم سه بعدی بردارها: به دست آوردن بینش از جاسازی ها Day 2 - 3D Visualizations of Vectors: Gaining Insights from Embeddings

• روز 2 - یافتن محصولات مشابه: ساخت یک خط لوله RAG بدون LangChain Day 2 - Finding Similar Products: Building a RAG Pipeline without LangChain

• روز 2 - تکمیل خط لوله RAG: قیمت گذاری محصولات با GPT-4.0 Mini Day 2 - Completing the RAG Pipeline: Pricing Products with GPT-4.0 Mini

• روز 2 - بازگشت تصادفی جنگل: با استفاده از جاسازی های مبتنی بر ترانسفورماتور Day 2 - Random Forest Returns: Using Transformer-Based Embeddings

• روز 2 - مدل سازی گروه: ترکیب مدل های تخصصی، RAG و جنگل تصادفی Day 2 - Ensemble Modeling: Combining Specialist, RAG, and Random Forest Models

• روز 2 - جمع بندی: نهایی کردن سیستم های چند عاملی و یکپارچه سازی RAG Day 2 - Wrap-Up: Finalizing Multi-Agent Systems and RAG Integration

• روز سوم - معرفی خروجی های ساختاریافته: هدایت مدل های مرزی Day 3 - Introducing Structured Outputs: Directing Frontier Models

• روز 3 - فیدهای RSS و خراش دادن بیشتر برای مجموعه معاملات Day 3 - RSS Feeds and More Scraping for Deal Collection

• روز 3 - خروجی های ساختاریافته در عمل: موارد استفاده در دنیای واقعی Day 3 - Structured Outputs in Action: Real-World Use Cases

• روز 3 - اشکال زدایی و رفع مشکلات خروجی ساختاریافته Day 3 - Debugging and Fixing Structured Output Issues

• روز 3 - انتقال به گردش کار عامل: به سمت سیستم های خودمختار Day 3 - Transitioning to Agentic Workflows: Towards Autonomous Systems

• روز چهارم - 5 ویژگی بارز هوش مصنوعی عامل: استقلال، برنامه ریزی و حافظه Day 4 - The 5 Hallmarks of Agentic AI: Autonomy, Planning, and Memory

• روز 4 - نماینده پیام: ارسال اعلان‌های فشاری برای معاملات Day 4 - Messaging Agent: Sending Push Notifications for Deals

• روز چهارم - عامل برنامه ریزی: هماهنگی فعالیت ها در سیستم های چند عاملی Day 4 - Planning Agent: Coordinating Activities in Multi-Agent Systems

• روز 4 - ساخت چارچوب عامل: اتصال LLM و کد پایتون Day 4 - Building an Agent Framework: Connecting LLMs and Python Code

• روز 4 - تکمیل گردش کار نمایندگی: مقیاس بندی برای برنامه های تجاری Day 4 - Completing Agentic Workflows: Scaling for Business Applications

• روز پنجم - دستیابی به استقلال در سیستم‌های هوش مصنوعی عاملی Day 5 - Achieving Autonomy in Agentic AI Systems

• روز پنجم - تکرار در Gradio: ساختن یک رابط کاربری پویا Day 5 - Iterating on Gradio: Building a Dynamic User Interface

• روز پنجم - نهایی کردن رابط کاربری Gradio برای راه حل AI عامل ما Day 5 - Finalizing the Gradio UI for Our Agentic AI Solution

• روز 5 - Gradio UI نسخه نهایی: افزایش تجربه کاربر Day 5 - Gradio UI Final Version: Enhancing User Experience

• روز پنجم - تجزیه و تحلیل نتایج: نظارت بر عملکرد چارچوب عامل Day 5 - Analyzing Results: Monitoring Agent Framework Performance

• روز 5 - تبریک: پایان دادن به سفر هشت هفته ای Day 5 - Congratulations: Wrapping Up the Eight-Week Journey