کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش ۲۰۲۵ - درک، تست و تنظیم دقیق مدل هوش مصنوعی با HuggingFace - آخرین آپدیت

دانلود 2025 - Understand ,Test ,Fine-tune AI Model with HuggingFace

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

آموزش جامع مدل‌های ترنسفورمر: تست، ارزیابی و فاین‌تیونینگ با کتابخانه HuggingFace

با این دوره جامع، از مفاهیم پایه یادگیری ماشین گرفته تا تکنیک‌های پیشرفته ساخت مدل‌های زبان بزرگ (LLMs) را بیاموزید. این دوره برای تازه‌واردان و مهندسان باتجربه مناسب است و شما را در تمام مراحل ساخت مدل، از اصول اولیه تا تست، فاین‌تیونینگ و استقرار، یاری می‌رساند.

آنچه خواهید آموخت: آشنایی با مدل‌های ترنسفورمر، GPT، BERT و HuggingFace

  1. مقدمه‌ای بر یادگیری ماشین و مدل‌های هوش مصنوعی

    ایجاد پایه‌ای قوی با کاوش مفاهیم کلیدی یادگیری ماشین و اصطلاحات ضروری.

  2. کار با کتابخانه‌های پردازش زبان طبیعی (NLP)

    یادگیری چگونگی پردازش، تحلیل و استخراج بینش از داده‌های متنی با استفاده از ابزارهای محبوب NLP.

  3. درک عمیق کتابخانه ترنسفورمر HuggingFace

    کاوش در کتابخانه ترنسفورمر HuggingFace، استاندارد طلایی برای ساخت راه‌حل‌های پیشرفته NLP و LLM.

  4. روش‌های مختلف کار با مدل‌های زبان بزرگ (LLMs)

    آشنایی با روش‌های متعدد تعامل و استفاده از LLMs برای کاربردهای متنوع دنیای واقعی.

  5. تست عملیاتی مدل‌های هوش مصنوعی

    اطمینان از عملکرد قابل اعتماد مدل‌های خود در سناریوهای مختلف با به‌کارگیری استراتژی‌های تست سیستماتیک.

  6. تست سوگیری و انصاف در مدل‌های هوش مصنوعی

    تسلط بر تکنیک‌های شناسایی و کاهش سوگیری‌های ناخواسته، ترویج شیوه‌های اخلاقی و منصفانه در هوش مصنوعی.

  7. ارزیابی مدل‌های هوش مصنوعی

    اندازه‌گیری عملکرد با استفاده از معیارهای قوی و بهبود مدل‌ها برای نتایج بهینه.

  8. کار با عامل‌های هوش مصنوعی (AI Agents)

    درک چگونگی ساخت، پیکربندی و ادغام عامل‌های هوشمند در گردش کار شما.

  9. فاین‌تیونینگ و آموزش مدل‌های هوش مصنوعی

    سفارشی‌سازی مدل‌های از پیش آموزش‌دیده یا ساخت مدل‌های خود از ابتدا، متناسب با نیازهای خاص پروژه شما.

پیش‌نیازهای دوره

  • مبانی پایتون (Basics of Python)

  • درک اولیه کار با ChatGPT یا هر ابزار هوش مصنوعی

  • مفاهیم اولیه هرگونه درک برنامه‌نویسی

با پایان این دوره، شما دانش و تجربه عملی لازم برای توسعه، تست و بهینه‌سازی مدل‌های مبتنی بر ترنسفورمر و LLMs خود را با اطمینان کسب خواهید کرد و در مسیر هیجان‌انگیز دنیای در حال تحول هوش مصنوعی قرار خواهید گرفت.

کلیدواژه‌های مرتبط با دوره

  • آموزش ترنسفورمر
  • کتابخانه HuggingFace
  • یادگیری ماشین
  • پردازش زبان طبیعی (NLP)
  • مدل‌های زبان بزرگ (LLMs)
  • فاین‌تیونینگ مدل
  • تست مدل هوش مصنوعی
  • ارزیابی مدل AI
  • آموزش BERT
  • آموزش GPT
  • آموزش DistilBERT
  • آموزش GPT2
  • آموزش GPT4
  • کار با AI Agents
  • تکنیک‌های پیشرفته AI
سرفصل ها و درس ها

مقدمه‌ای بر یادگیری ماشین⚡️ Introduction to Machine Learning⚡️

  • مقدمه Introduction

  • ترنسفورمر چیست؟ What is Transformer?

  • درک معماری ترنسفورمر Understanding Transformer Architecture

  • ترنسفورمر چگونه کار می‌کند؟ How Transformer Works ?

  • پردازش زبان طبیعی (NLP) Natural Language Processing (NLP)

  • دانش خود را بیازمایید! Check your knowledge!

کار با کتابخانه پردازش زبان طبیعی (NLP)⚡️ Working with Natural Language Processing (NLP) Library⚡️

  • مقدمه‌ای بر کتابخانه‌های NLP Introduction to NLP Libraries

  • درک کتابخانه HuggingFace Understanding HuggingFace library

  • کاوش در پلتفرم HuggingFace Exploring HuggingFace platform

  • درک و کار با Model Inferencing Understanding and working with Model Inferencing

  • نصب و کار با کتابخانه Transformer در ویندوز ۱۱ Installing and working with Transformer library in Windows 11

  • نوشتن کد ساده برای درک نحوه توکنایز کردن متن توسط مدل هوش مصنوعی Writing simple code to understand how AI model Tokenize a text

  • کار با کتابخانه Transformer با Google Colabs Working with Transformer library with Google Colabs

  • نصب Jupyter Notebook در Visual Studio code Installing Jupyter Notebook in Visual Studio code

  • NLP - تحلیل احساسات با مدل‌های هوش مصنوعی NLP - Sentiment Analysis with AI Models

  • NLP - پر کردن ماسک با مدل‌های هوش مصنوعی NLP - Fill Mask with AI Models

  • NLP - تشخیص موجودیت نام‌گذاری شده (NER) با مدل‌های هوش مصنوعی NLP - Named Entity Recognition (NER) with AI Models

  • NLP - پرسش و پاسخ (Q&A) با مدل‌های هوش مصنوعی NLP - Question and Answering (Q&A) with AI Models

  • دانش خود را بیازمایید! Check your knowledge!

  • کد منبع Source code

درک و کار عمیق با کتابخانه‌های ترنسفورمر⚡️ Understanding and working with Transformer libraries In-Depth⚡️

  • مقدمه Introduction

  • Pipeline در پشت صحنه با دانلود مدل Pipeline Under-the-hood with Model downloading

  • درک هد مدل‌ها (Model Heads) Understanding Models Heads

  • کارکرد توابع Pipeline در پشت صحنه به صورت کد Working of Pipeline functions Behind the scenes as code

  • درک Checkpointهای مدل Understanding Model Checkpoints

  • درک Batching و Checkpointها Understanding Batching and Checkpoints

  • اعمال Padding و Truncation برای طبقه‌بندی توالی مدل Applying Padding and Truncation for Sequence classification of Model

  • منبع Source

  • دانش خود را بیازمایید! Check your knowledge!

روش‌های مختلف کار با مدل‌های LLM⚡️ Various ways to work with LLM Models⚡️

  • مقدمه Introduction

  • دسترسی به APIهای OpenAI Accessing OpenAI APIs

  • اطلاعات بیشتر در مورد APIهای OpenAI More about OpenAI APIs

  • کار با LLMهای محلی Working with Local LLMs

  • کار با LLMهای محلی برای دیداری (Vision) Working with Local LLMs for Vision

  • استفاده از APIهای LLM محلی و استفاده در Postman Using Local LLMs APIs and using in Postman

تست عملکردی مدل‌های هوش مصنوعی⚡️ Functional Testing of AI Models⚡️

  • مقدمه Introduction

  • تست دما (Temperature) مدل‌های هوش مصنوعی با OpenAI Playground Temperature Testing of AI Models with OpenAI Playground

  • تست دما (Temperature) مدل‌های هوش مصنوعی با کتابخانه NLP Temperature Testing of AI Models with NLP library

  • تست تکرارپذیری (Repeatability) مدل‌های هوش مصنوعی Repeatability Testing of AI Models

  • تست پرسش و پاسخ مدل هوش مصنوعی Question and Answering Testing of AI Model

  • تست تشخیص موجودیت نام‌گذاری شده (NER) مدل هوش مصنوعی Named Entity Recognition Testing of AI Model

  • تست چندمدلی (Multi-Model) مدل هوش مصنوعی Multi-Model Testing of AI Model

  • کد منبع کامل Complete source code

  • دانش خود را بیازمایید! Check your knowledge!

تست سوگیری و انصاف مدل‌های هوش مصنوعی⚡️ Bias and Fairness Testing of AI Models⚡️

  • مقدمه Introduction

  • تست سوگیری (Bias) مدل‌های هوش مصنوعی با کتابخانه NLP Bias Testing of AI Models with NLP library

  • تست سوگیری (Bias) با سناریوی منفی Bias Testing with Negative scenario

  • تست قابلیت توضیح‌پذیری (Explainability) مدل‌های هوش مصنوعی Explainability Testing of AI Models

  • تست قابلیت توضیح‌پذیری (Explainability) با کتابخانه‌های NLP Explainability Testing with NLP Libraries

  • منبع کامل Complete Source

ارزیابی مدل‌های هوش مصنوعی⚡️ Evaluating AI Models ⚡️

  • مقدمه Introduction

  • ارزیابی داده‌های دیده‌نشده با استفاده از کتابخانه NLP Evaluation of Unseen Data using NLP library

  • ارزیابی مدل پرسش و پاسخ با استفاده از کتابخانه NLP Evaluation of Question and Answering Model using NLP Library

  • ارزیابی مدل Q&A با تطابق فازی (Fuzzy Matching) Evaluating Q&A Model with Fuzzy Matching

  • منبع کامل Complete Source

  • دانش خود را بیازمایید! Check your knowledge!

کار با عامل‌های ایجنتی هوش مصنوعی⚡️ Working with AI Agentic Agents ⚡️

  • عامل‌های هوش مصنوعی چیستند؟ What is AI Agents ?

  • طیف عامل‌های هوش مصنوعی Spectra of AI Agents

  • نوشتن عامل‌های هوش مصنوعی با SmolAgents Writing AI Agents with SmolAgents

  • عملیات UI را از طرف کاربر با عامل‌های هوش مصنوعی از طریق Selenium & SmolAgent بنویسید Write UI Operation with AI Agents on behalf of User via Selenium & SmolAgent

  • مقدمه‌ای بر پروتکل زمینه مدل (MCP) برای عامل‌های هوش مصنوعی Introduction to Model Context Protocol (MCP) for AI Agents

  • سرور MCP در عمل برای عملیات UI از طریق Playwright MCP Server in Action for UI Action via Playwright

  • پیکربندی سرور MCP و کار با آنها Configuring MCP Server and working with them

  • دانش خود را بیازمایید! Check your knowledge!

  • منبع کامل Complete Source

تنظیم دقیق و آموزش مدل هوش مصنوعی⚙️ Fine-Tuning and Training AI Model ⚙️

  • مقدمه Introduction

  • درک چگونگی تنظیم دقیق (Fine-tune) یک مدل Understand how to Fine-tune a Model

  • درک مجموعه داده بزرگ برای آموزش مدل Understanding Large Dataset to Train the model

  • آماده‌سازی محیط با Jupyter Notebook Setting Environment ready with Jupyter Notebook

  • مرحله ۱: وارد کردن مجموعه داده از HuggingFace Step 1: Importing Dataset from HuggingFace

  • تحلیل مجموعه داده برای درک بهتر Analysis Dataset for better understanding

  • مرحله ۲: انجام Tokenizer با تبدیل متن به توکن Step 2: Perform Tokenizer by converting Text to Tokens

  • مرحله ۳: تقسیم داده‌های تست، آموزش و اعتبارسنجی Step 3: Split Test, Train and Validation Data

  • ایجاد مجموعه داده در فرمت DatasetDict با داده‌های آموزشی Create Dataset in DatasetDict Format with Training data

  • مرحله ۴: توکنایز کردن تمام داده‌ها از مجموعه داده Step 4: Tokenize all data from Dataset

  • درک مدل پایه و استفاده از آن با AutoModel Understanding Base Model and using it with AutoModel

  • مرحله ۵: استفاده از AutoModelForSequenceClassification برای سر مدل (Model Head) Step 5: Using AutoModelForSequenceClassification for Model Head

  • مرحله ۶: ایجاد آرگومان‌های آموزشی (Training Arguments) Step 6: Creating Training Arguments

  • مرحله ۷: ایجاد Compute Metrics برای ارزیابی مدل Step 7: Create Compute Metrics for Model Evaluation

  • مرحله ۸: ایجاد و اجرای Trainer برای آموزش مدل Step 8: Creating and Running Trainer to train the model

  • درک معیارهای Trainer پس از اتمام آموزش Understand Trainer Metrics after Training is complete

  • استفاده از مدل تنظیم دقیق شده ما از دستگاه محلی و استنتاج (Inference) از طریق Pipeline Using our Fine-Tuned Model from Local machine and Inference via Pipeline

  • آپلود مدل تنظیم دقیق شده ما به HuggingFace و استفاده از آن از HuggingFace Upload our Fine-tuned Model to HuggingFace and use it from HuggingFace

  • کد منبع کامل Complete Source

  • دانش خود را بیازمایید! Test your knowledge!

آموزش مدل DistilBert برای طبقه‌بندی پرسش و پاسخ با استفاده از مجموعه داده فیلم IMDB Training DistilBert Model for Q&A Classification using IMDB Movie Dataset

  • مقدمه Introduction

  • بارگذاری مجموعه داده IMDB از CSV Load IMDB Dataset from CSV

  • ایجاد ساختار زمینه پرسش و پاسخ Create Q&A Context structure

  • ایجاد فرمت SQuAD برای مجموعه داده Creating SQuAD format for the dataset

  • تبدیل SQuAD به مجموعه داده HuggingFace Converting SQuAD to HuggingFace DataSet

  • ایجاد مجموعه تست/آموزش/اعتبارسنجی از مجموعه داده Creating Test/Train/Validation set from Dataset

  • توکنایز کردن داده‌ها از مجموعه داده تست/آموزش/اعتبارسنجی Tokenize Data from Test/Train/Validation dataset

  • ایجاد فرمت تست/آموزش/اعتبارسنجی برای DatasetDict با مقدار توکنایز شده Creating Test/Train/Validation format for DatasetDict with Tokenized value

  • ایجاد آرگومان آموزشی و Trainer و شروع آموزش مدل Create Training Argument and Trainer and start training of model

  • ذخیره مدل به صورت محلی و استفاده از مدل محلی برای استنتاج (Inferencing) با طبقه‌بندی پرسش و پاسخ Saving Model locally & using Local model for Inferencing with Q&A Classification

  • کد منبع Source code

آموزش مسیر موفقیت ما شکست با اسکات هانسلمن و Code By Sophy بود

آموزش مسیر موفقیت ما شکست با اسکات هانسلمن و Code By Sophy بود

Our Path to Success was Failure with Scott Hanselman and Code By Sophy

آموزش ITIL® 4 مدیریت انتقال حرفه ای: ایجاد ، تحویل و پشتیبانی

آموزش ITIL® 4 مدیریت انتقال حرفه ای: ایجاد ، تحویل و پشتیبانی

ITIL® 4 Managing Professional Transition: Create, Deliver, and Support

آموزش نوردهی دوربین، نحوه استفاده از دیافراگم

آموزش نوردهی دوربین، نحوه استفاده از دیافراگم

Camera Exposure, how to use Aperture.

نمایش نظرات

آموزش ۲۰۲۵ - درک، تست و تنظیم دقیق مدل هوش مصنوعی با HuggingFace
جزییات دوره
9 hours
89
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
561
4.8 از 5
دارد
دارد
دارد
Karthik KK

https://donyad.com/d/96d049

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Karthik KK Karthik KK

معمار نرم افزار ، مشاور ، Youtuber و بهترین فروشنده من Karthik K.K هستم من در مورد ابزارها و فن آوری های مختلف مشاوره ، وبلاگ نویسی و تحقیق انجام می دهم که علاقه من را برمی انگیزد. من بیش از 13 سال است که مشغول تست اتوماسیون نرم افزار هستم و علاقه من به یادگیری مطالب جدید که امکان اتوماسیون را فراهم می کند هرگز به خطر نیفتاده است. به دلیل اشتیاق من در تست اتوماسیون ، کاملاً در معرض ابزارها و زبانهایی قرار گرفتم دسک تاپ و وب: QTP ، سلنیوم ، Specflow ، VS Coded UI ، Ranorex ، Test Complete و Cucumber موبایل: Appium ، Robotium ، Calabash ، Espresso ، Selendroid زبان ها: C # ، Java ، Ruby ، Powershell ، Javascript ، VBScript ابزارهای ابری: لاجوردی ، بارانداز Misc Tools: Mockito ، مطمئن باشید ، Bound-Box ، FluentAutomation علاقه مند به: MVC ، چارچوب موجودیت ، LINQ ، جعلی ، استقرار توزیع شده ، SAAS