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

آموزش تسلط بر چرخه حیات مدل‌های زبانی بزرگ (LLM) [ویدئویی] - آخرین آپدیت

دانلود LLM Lifecycle Mastery [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: کشف کنید چرا جادوی واقعی در عملکرد LLM پس از مرحله آموزش اتفاق می‌افتد. مکسیم لابلون مرحله پس از آموزش (Post-training) را تحلیل می‌کند و با پوشش مباحث Fine-tuning، تراز کردن (Alignment) و تطبیق، نشان می‌دهد که چگونه مدل‌های عمومی به سیستم‌هایی با عملکرد بالا و تخصصی تبدیل می‌شوند. با پروفسور تام یه همراه شوید تا با رویکرد «AI by Hand»، نحوه مدیریت اندازه، عمق و داده‌ها توسط قوانین مقیاس‌پذیری (Scaling Laws) را بررسی کند. شما درک خواهید کرد که چگونه اصول ریاضی مقیاس‌پذیری، زیربنای کارایی و عملکرد هستند و چگونه با فریم‌ورک‌هایی مانند JAX ارتباط می‌یابند. روش‌های ضروری برای آماده‌سازی مدل‌های زبانی بزرگ جهت استقرار در محیط عملیاتی را بیاموزید. اوریماس گریچیوناس حوزه نوظهور LLMOps را بررسی می‌کند و مباحث نظارت‌پذیری (Observability)، قابلیت اطمینان، مقیاس‌پذیری و اتوماسیون را پوشش می‌دهد تا به شما کمک کند سیستم‌های LLM را به‌گونه‌ای مستقر و نگهداری کنید که دچار شکست‌های خاموش نشوند. با گردش کارهای Cloud-native برای LLM آشنا شوید. مونا مونا نحوه Fine-tune و استقرار مدل‌های هوش مصنوعی مولد را با استفاده از Amazon SageMaker AI نمایش می‌دهد و امکان عملیات مقیاس‌پذیر، مقرون‌به‌صرفه و امن LLM را در محیط‌های واقعی فراهم می‌کند. داده‌های سنتتیک (مصنوعی) در حال تغییر نحوه ساخت LLMها هستند. اسلام کمال فاش می‌کند که چگونه این داده‌ها آموزش مدل را تسریع کرده، استحکام را افزایش و هزینه‌های داده را کاهش می‌دهند. شما استراتژی‌های دنیای واقعی برای تولید و استفاده از داده‌های سنتتیک جهت بهبود کیفیت و تراز مدل را بررسی خواهید کرد. چگونه Fine-tuning و تراز کردن، اثربخشی LLM را به شدت بهبود می‌بخشند اصول کلیدی مقیاس‌پذیری که طراحی LLMهای مدرن را تعریف می‌کنند فریم‌ورک‌های ضروری LLMOps برای خط لوله‌های AI مقیاس‌پذیر و قابل اعتماد نحوه استفاده از ابزارهای AWS برای استقرار و بهینه‌سازی LLM چگونه داده‌های سنتتیک در آموزش و تراز کردن تحول ایجاد می‌کنند مهندسان AI و دانشمندان داده که به دنبال تعمیق درک خود از توسعه LLM هستند متخصصان MLOps و DevOps که هدفشان تسلط بر بهترین روش‌های LLMOps است پژوهشگران، مدرسان و توسعه‌دهندگانی که بهینه‌سازی‌های پس از آموزش را بررسی می‌کنند هر کسی که مشتاق است فاصله بین تئوری LLM و واقعیت‌های محیط عملیاتی را پر کند Taught by leading AI practitioners and researchers * * Packed with real-world examples and intuitive explanations * * Combines conceptual understanding with actionable skills * * Perfect balance of academic rigor and industry relevance
سرفصل ها و درس ها

پشته ML در عمل The ML Stack in Action

  • مقدمه: چرا پس از آموزش، کلید واقعی است - مکسیم لابلون Opening: Why Post-Training Is the Real Key — Maxime Labonne

  • درک مقیاس‌پذیری LLM به صورت دستی - تام یه Understanding LLM Scaling by Hand — Tom Yeh

  • اصول کلیدی LLMOps - اوریماس گریچیوناس Key LLMOps Principles — Aurimas Griciūnas

  • بهینه‌سازی، Fine-tuning و استقرار GenAI در AWS - مونا مونا Optimizing, Fine-Tuning & Deploying GenAI on AWS — Mona Mona

  • نقش داده‌های سنتتیک در توسعه LLM - اسلام کمال The Role of Synthetic Data in LLM Development — Eslam Kamal

آموزش استفاده از ChatGPT و هوش مصنوعی مولد برای کسب درآمد غیرفعال

آموزش استفاده از ChatGPT و هوش مصنوعی مولد برای کسب درآمد غیرفعال

دانلود How to Use ChatGPT and Generative AI for Passive Income

آموزش پایتون: کار با تحلیل‌های پیش‌بینانه (Predictive Analytics)

آموزش پایتون: کار با تحلیل‌های پیش‌بینانه (Predictive Analytics)

دانلود Python: Working with Predictive Analytics

آموزش پردازش داده‌های بلادرنگ (Real-time) با Azure Databricks

آموزش پردازش داده‌های بلادرنگ (Real-time) با Azure Databricks

دانلود Real-time Data Processing with Azure Databricks

نمایش نظرات

آموزش تسلط بر چرخه حیات مدل‌های زبانی بزرگ (LLM) [ویدئویی]
جزییات دوره
3h 27m
5
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد

https://donyad.com/d/72f242

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

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Maxime Labonne Maxime Labonne

ماکسیم لابون; Sr. دانشمند یادگیری ماشین، JPMorgan.

Tom Yeh Tom Yeh

تام یه استادیار علوم کامپیوتر در دانشگاه کلرادو بولدر است که در زمینه تعامل انسان و کامپیوتر و اثرات اجتماعی آن تخصص دارد.

Aurimas Griciūnas Aurimas Griciūnas

اوریماس گریچیوناس متخصص شناخته شده AI، یکی از چهره‌های برتر لینکدین در حوزه AI و بنیان‌گذار SwirlAI است. او پیش از این به عنوان مدیر ارشد محصول در Neptune.ai فعالیت می‌کرد و با تیم‌های برتر ML برای مقیاس‌بندی زیرساخت‌ها، ارزیابی و روش‌های LLMOps در صنایع مختلف همکاری داشت. اوریماس با بیش از یک دهه تجربه در تقاطع علوم داده، یادگیری ماشین و مهندسی نرم‌افزار، ابتکارات AI را در استارت‌آپ‌ها و محیط‌های سازمانی رهبری کرده است. مأموریت او پر کردن شکاف بین تبلیغات و واقعیت از طریق آموزش مهندسان برای ساخت سیستم‌هایی است که در دنیای واقعی کار می‌کنند.

Mona Mona Mona Mona

مونا در حال حاضر به عنوان معمار ارشد راهکارهای تخصصی Gen AI در سطح جهانی در آمازون با تمرکز بر راهکارهای هوش مصنوعی مولد فعالیت می‌کند. او پیش از پیوستن به آمازون، متخصص ارشد هوش مصنوعی مولد در بخش دولتی گوگل بود. مونا نویسنده دو کتاب «پردازش زبان طبیعی با خدمات AI آمازون» و «راهنمای مطالعه یادگیری ماشین حرفه‌ای تایید شده گوگل کلاود» است. کتاب اول او در برنامه کارشناسی ارشد سیستم‌های اطلاعات کامپیوتری دانشگاه ایالتی جورجیا قرار دارد و او به عنوان مدرس مهمان در این برنامه حضور داشته است. او ۱۹ وبلاگ در زمینه AI، ML و فناوری ابری نوشته و یکی از نویسندگان مقاله پژوهشی CORD19 Neural Search است که جایزه بهترین مقاله پژوهشی را در کنفرانس معتبر AAAI کسب کرد. مونا عضو SWE (انجمن مهندسان زن) است و فارغ‌التحصیلان تازه‌کار را برای دنبال کردن مسیر شغلی در AI و رایانش ابری راهنمایی می‌کند.

Eslam Kamal Abdelreheem Eslam Kamal Abdelreheem

اسلام کمال مدیر مهندسی AI و علوم کاربردی با بیش از ۱۸ سال تجربه حرفه‌ای است که در حال حاضر در Meta و پیش از آن در Microsoft فعالیت کرده است. زمینه‌های تمرکز او شامل LLMهای چندوجهی، AI محاوره‌ای، NLP، هوش مصنوعی مسئولانه و استراتژی‌های داده‌های ML است. اسلام مسئول کیفیت محاوره‌ای مدل‌های Live AI در عینک‌های هوشمند Ray Ban Meta و پوشیدنی‌های هوشمند نسل بعد است. پیش از این، او تیم‌های علوم کاربردی و مهندسی را برای Azure Responsible AI، GitHub Copilot، Microsoft Copilot و Azure AI Language رهبری کرده و بر روی مسائل مختلف NLP از جمله NLU چندزبانه و ترجمه ماشینی کار کرده است.

Python پایتون Data Data Science داده علوم داده