لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پیشرفته فاینتیونینگ (Fine-Tuning) با زبان Rust
- آخرین آپدیت
دانلود Advanced Fine-Tuning in Rust
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
تسلط بر چرخه کامل فاینتیونینگ؛ از ساختار داخلی ترنسفورمرها تا استقرار در محیط عملیاتی، با استفاده از تکنیکهای بهینه در مصرف حافظه که بر روی سختافزارهای معمولی قابل اجرا هستند.
این دوره شما را از یک کاربر مدلهای زبانی بزرگ به شخصی تبدیل میکند که قادر به شخصیسازی آنهاست. شما یاد خواهید گرفت چگونه مدلهای ۷ میلیارد پارامتری را روی GPU یک لپتاپ با استفاده از QLoRA فاینتیون کنید؛ تکنیکی که از طریق کوانتایزیشن هوشمند و تطبیق کمرتبه (Low-Rank Adaptation)، نیاز به حافظه را از ۵۶ گیگابایت به تنها ۴ گیگابایت کاهش میدهد.
آنچه این دوره را متمایز میکند، رویکرد دقیق و علمی آن است. شما متدولوژی ابطال پوپری را در تمام مراحل به کار میگیرید: به جای پرسیدن «آیا مدل من کار میکند؟»، به طور سیستماتیک سعی میکنید آن را به چالش بکشید و نقاط ضعفش را بیابید. این طرز فکر انتقادی — تست موارد خاص توکنایزیشن، اجرای مطالعات حذف رتبه (Rank Ablation) و اعتبارسنجی کیفیت دیتاست از طریق شش دستهبندی ابطال — مهارتهای تفکر انتقادی را ایجاد میکند که مهندسان سطح Production را از کسانی که سیستمهای شکننده میسازند، متمایز میکند.
در پایان این دوره، شما با اعتماد به نفس کامل قادر خواهید بود: نیازهای VRAM را محاسبه و سختافزار مناسب را انتخاب کنید؛ مسیر استنتاج را در خط لوله شش مرحلهای ترنسفورمر ردیابی کنید؛ رتبه LoRA را متناسب با پیچیدگی تسک پیکربندی کنید؛ مجموعههای آموزشی باکیفیت را با استفاده از استخراج AST بسازید و دیتاستها را با تقسیمبندی و مستندات صحیح در HuggingFace منتشر کنید.
این دوره کاملاً بر پایه استک هوش مصنوعی مستقل (Sovereign AI) ساخته شده و همه چیز به صورت محلی و بدون وابستگی به سرویسهای خارجی اجرا میشود تا استقلال کامل در یادگیری ماشین (ML Independence) را تجربه کنید.
سرفصل ها و درس ها
مبانی یادگیری ماشین و محاسبات
ML Foundations & Compute
مفاهیم کلیدی: پارامترها، VRAM، گرادینتها و LoRA
Core Concepts: Parameters, VRAM, Gradients, and LoRA
اشکال دادهها: اسکالرها، بردارها و ماتریسها
Data Shapes: Scalars, Vectors, and Matrices
مبانی ML: شبکههای عصبی، ترنسفورمرها و توابع زیان
ML Foundations: Neural Networks, Transformers, and Loss Functions
دموی مقایسهای محاسبات Scalar در مقابل SIMD و GPU
Scalar vs SIMD vs GPU Compute Demo
تفاوت آموزش (Training) و استنتاج (Inference)
Training vs Inference
معماری و خط لوله ترنسفورمر
Transformer Architecture & Pipeline
تئوری توکنایزیشن BPE در مقابل Word Tokenization
BPE vs Word Tokenization Theory
دموی ساخت یک خط لوله ترنسفورمر ساده
Building a Toy Transformer Pipeline Demo
نمایش نظرات