راهنمای جامع آموزش Fine-tuning مدل‌های زبانی بزرگ (LLM) برای مبتدیان - آخرین آپدیت

دانلود A Beginner's Guide to Fine Tune Large Language Model 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: از تئوری تا عمل: Fine-Tuning مدل‌های زبانی بزرگ با داده‌های واقعی درک مفهوم Fine-tuning و کاربردهای آن بررسی تکنیک‌های مختلف Fine-tuning از جمله Full Fine-tuning و PEFT (LoRA) آموزش نحوه آموزش (Train) و تست مدل‌های Fine-tune شده روش‌های ارزیابی خروجی مدل‌های زبانی بزرگ (LLM) پیش نیازها: تسلط مقدماتی بر پایتون درک مفاهیم پایه مدل‌های زبانی بزرگ آشنایی با معماری پایه ترنسفورمر (Transformer)

این دوره یک مقدمه عملی و کاربردی برای مبتدیان در زمینه بهینه‌سازی یا Fine-tuning مدل‌های زبانی بزرگ (LLMs)ارائه می‌دهد. شما ابتدا با تعریف Fine-tuning، اهمیت آن و کاربردهای واقعی‌اش در دنیای امروز آشنا خواهید شد. سپس، دوره به بررسی متدها و تکنیک‌های اصلی Fine-tuningمی‌پردازد و تمرکز ویژه‌ای بر روش LoRA (تطبیق کم‌رتبه)دارد. شما خواهید آموخت که چگونه این رویکردهای بهینه در مصرف پارامتر، آموزش مدل‌های بزرگ را حتی روی سخت‌افزارهای معمولی و محدود ممکن می‌سازند؛ به این معنا که برای ساخت یک هوش مصنوعی تخصصی و قدرتمند، نیازی به کلاسترهای محاسباتی عظیم و گران‌قیمت ندارید.
همچنین بررسی خواهیم کرد که Fine-tuning چگونه در صنایع مختلف به کار می‌رود و به صورت عملی بر روی وظایف تخصصی مانند سیستم‌های پاسخ‌گویی به سوالات در حوزه پزشکی تمرکز می‌کنیم.
با استفاده از مدل GPT2 به عنوان مدل پایه، پیش از شروع آموزش عملی، معماری، قابلیت‌ها و آمارهای کلیدی آن را تحلیل خواهید کرد. شما یاد می‌گیرید که چگونه مجموعه‌داده‌ها (Datasets) را آماده کنید، تعداد نمونه‌های مناسب را انتخاب نمایید، آرگومان‌های آموزش را پیکربندی کرده و چرخه کامل آموزش را با استفاده از Trainer API کتابخانه Hugging Faceاجرا کنید. این دوره همچنین شامل مباحث ذخیره‌سازی، بارگذاری و ادغام آداپتورهای LoRA در مدل پایه است.

در نهایت، مدل Fine-tune شده خود را با مدل پیش‌آموزش‌دیده (Pre-trained) اولیه مقایسه می‌کنید تا میزان بهبود عملکرد را بسنجید. تمام این مراحل با بررسی خط‌به‌خط کدهاهمراه است تا فرآیند یادگیری شفاف و تکرارپذیر باشد. در پایان، دو مورد کاربردی دیگر در زمینه طبقه‌بندی (Classification) و شناسایی موجودات نام‌دار (NER) با استفاده از مدل‌های پایه مختلف به دوره اضافه شده است.

سرفصل ها و درس ها