آموزش مقدمه‌ای بر هوش مصنوعی مولد: مفاهیم و تکنیک‌ها - آخرین آپدیت

دانلود Introduction to Generative AI: Concepts and Techniques

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره چهار ماژوله، زیربنای شفاف و کاربردی در زمینه هوش مصنوعی مولد (Generative AI) به شما ارائه می‌دهد؛ از چیستی و کاربردهای آن گرفته تا نحوه عملکرد مدل‌های مدرن و استفاده مسئولانه از آن‌ها. شما با یک تصویر کلی شروع خواهید کرد: قابلیت‌های GenAI در حوزه‌های متن، تصویر، صوت و ویدیو، به همراه کاربردهای واقعی در صنایع مختلف. سپس به بررسی علمی مدل‌های زبانی بزرگ (LLMs) امروزی می‌پردازید: نمایش متن (توکن‌سازی، امبدینگ‌ها) و معماری ترنسفورمر (کدگذاری موقعیتی، خود-توجهی، جریان انکودر/دیکودر). در مرحله بعد، با مدل‌های زبانی بزرگ و جریان‌های کاری آن‌ها به صورت عملی کار خواهید کرد: طراحی پرامپت‌های موثر، فراخوانی مدل‌ها از طریق وب/رابط کاربری و APIها، اجرای مدل‌ها به صورت محلی (مثلاً از طریق Ollama) و گسترش قابلیت‌ها با استفاده از تولید تقویت‌شده با بازیابی (RAG) و تنظیم دقیق (Fine-tuning). در نهایت، چالش‌ها و شیوه‌های مسئولانه را بررسی خواهید کرد، از جمله حق کپی‌رایت، حریم خصوصی و امنیت، تفسیرپذیری و پرسش‌های مربوط به مالکیت در عصر هوش مصنوعی مولد. این دوره برای یادگیرندگانی که آشنایی اولیه با یادگیری ماشین و پایتون دارند طراحی شده و ترکیبی از درس‌های کوتاه با آزمایشگاه‌ها، آزمون‌ها و تمرین‌ها است. در پایان، شما مفاهیم اصلی و معماری‌های پشت GenAI را به همراه درک عمیقی از محدودیت‌ها و استفاده اخلاقی و مسئولانه از آن، خواهید آموخت. در پایان این دوره، یادگیرندگان قادر خواهند بود: توضیح دهند که چگونه هوش مصنوعی مولد حوزه‌های متن، تصویر، صوت و ویدیو را پوشش می‌دهد و جریان‌های کاری واقعی در صنعت را که در آن ارزش‌آفرینی می‌کند، ارزیابی کنند. سیر تکامل مدل‌سازی زبان از رویکردهای احتمالات/NLP به ترنسفورمرها را دنبال کنند و دلیل برتری مکانیزم Attention بر محدودیت‌های قبلی را تبیین نمایند. توکن‌سازی و امبدینگ‌های کلمات را درک کنند و در مورد چگونگی تأثیر این نمایش‌ها بر رفتار مدل استدلال کنند. یک بلوک ترنسفورمر را تجزیه کرده و مسیر تنسورها را از طریق خود-توجهی (Self-attention)، لایه‌های MLP و نرمال‌سازی دنبال کنند تا نحوه شکل‌گیری و اصلاح نمایش‌ها را توضیح دهند. با مدل‌های زبانی بزرگ از طریق رابط‌های کاربری وب، APIها و به صورت محلی با Ollama کار کنند تا کدهای استنتاج حداقلی بنویسند، خروجی‌ها را با استفاده از الگوهای پرامپت بهبود بخشند و با مفاهیم RAG و Fine-Tuning به عنوان گام‌های بعدی آشنا شوند. نقاط ضعف LLMها مانند سوگیری (Bias)، توهم (Hallucination)، مالکیت و تزریق پرامپت (Prompt Injection) را شناسایی، تحلیل و با تدوین دستورالعمل‌های سطح کاربر، فرآیندهای سازمانی و سیاست‌های حکمرانی، توضیح دهند.

سرفصل ها و درس ها

چیستی GenAI What is GenAI

  • مقدمه دوره Course Introduction

  • آشنایی با مدرس: سروش رضوی Meet your instructor: Soroush Razavi

  • آشنایی با مدرس: آمرین عنبر Meet your instructor: Amreen Anbar

  • هوش مصنوعی مولد چیست؟ What is Generative AI?

  • کاربردهای چت‌بات‌ها Applications of Chatbots

  • کاربردهای مدل‌های تصویری Applications of Image Models

  • کاربردهای مدل‌های صوتی Applications of Audio Models

  • کاربردهای مدل‌های ویدئویی Applications of Video Models

  • GenAI در حوزه سلامت GenAI in Healthcare

  • GenAI در آموزش و یادگیری GenAI in Education and Training

  • GenAI در صنایع خلاق GenAI in Creative Industries

  • GenAI در رسانه و سرگرمی GenAI in Media and Entertainment

  • هوش مصنوعی مولد چگونه کار می‌کند؟ How Does Generative AI Work?

  • هوش مصنوعی مولد چندوجهی (Multimodal) Multimodal Generative AI

  • تفاوت هوش مصنوعی مولد و تشخیص‌دهنده (Discriminative) Generative AI vs Discriminative AI

  • مدل هوش مصنوعی مولد: شبکه‌های GAN Generative AI Model: GANs

  • مدل هوش مصنوعی مولد: مدل‌های مبتنی بر ترنسفورمر Generative AI Model: Transformer-Based Models

  • مدل هوش مصنوعی مولد: مدل‌های انتشار (Diffusion) Generative AI Model: Diffusion Models

  • مدل هوش مصنوعی مولد: VAEs Generative AI Model: VAEs

  • مرور ماژول ۱ Module 1 Recap

اصول NLP NLP Essentials

  • مقدمه ماژول ۲ Module 2 Introduction

  • NLP چیست؟ What is NLP?

  • تکامل NLP (بخش ۱) Evolution of NLP (Part 1)

  • تکامل NLP (بخش ۲) Evolution of NLP (Part 2)

  • مدل‌های احتمالی در NLP Probabilistic Models in NLP

  • انتقال از RNNها به ترنسفورمرها Transition From RNNs to Transformers

  • پیش‌پردازش متن و توکن‌سازی Text PreProcessing and Tokenization

  • چرا به نمایش متن نیاز داریم؟ Why Do We Need Text Representation?

  • کدگذاری One Hot و Bag of Words One-Hot Encoding & Bag of Words

  • از Word2Vec تا امبدینگ‌های بافرایند (Contextual) Word2Vec to Contextual Embedding

  • ریشه‌های ترنسفورمرها Origins of Transformers

  • ترنسفورمرها چگونه کار می‌کنند؟ How Transformers Work?

  • کدگذاری موقعیتی (Positional Encoding) Positional Encoding

  • خود-توجهی (Self Attention) Self-Attention

  • توجه چند‌سر و توجه چند‌سر ماسک‌شده Multi-Head and Masked Multi-Head Attention

  • انکودر و دیکودر Encoder and Decoder

  • انواع مختلف ترنسفورمرها Different Types of Transformers

  • مرور ماژول ۲ Module 2 Recap

استفاده عملی از LLMها Practical use of LLMs

  • مقدمه ماژول ۳ Module 3 Introduction

  • ترنسفورمر یا LLM؟ Transformer or LLM?

  • هوش مصنوعی مولد می‌تواند چالش‌های روزمره شما را حل کند Gen-AI Can Solve Your Daily Challenges

  • تبدیل ایده‌ها به اپلیکیشن: مسیر سازنده GenAI Turning Ideas into Apps: The GenAI Builder’s Path

  • مدل‌های مولد مختلف چه هستند؟ What are Different Generative Models?

  • گشتی در مدل‌های اختصاصی: ویژگی‌های ChatGPT Proprietary Models Tour: ChatGPT Features

  • فراخوانی API برای OpenAI API Call to OpenAI

  • دسترسی به Llama از طریق Ollama Accessing Llama Through Ollama

  • به سوی LLMهای قابل اعتمادتر: راهنمای خروجی‌های بهبودیافته Towards More Reliable LLMs: A Guide to Enhanced Outputs

  • مهندسی پرامپت: اصول پایه Prompt Engineering: The Fundamentals

  • مهندسی پرامپت: تکنیک‌ها و کاربردها Prompt Engineering: Techniques and Applications

  • فراتر از مهندسی پرامپت: RAG Beyond Prompt Engineering: RAG

  • فراتر از مهندسی پرامپت: تنظیم دقیق (Fine Tuning) Beyond Prompt Engineering: Fine Tuning

  • مرور ماژول ۳ Module 3 Recap

ملاحظات اخلاقی و توسعه مسئولانه در هوش مصنوعی Ethical Considerations and Responsible Development in AI

  • مقدمه ماژول ۴ Module 4 Introduction

  • محدودیت‌های LLMها: سوگیری (Bias) Limitations of LLMs: Bias

  • محدودیت‌های LLMها: توهم (Hallucination) Limitations of LLMs: Hallucination

  • مالکیت در هوش مصنوعی مولد Ownership in Generative AI

  • به سوی هوش مصنوعی مسئولانه و تفسیرپذیری Toward Responsible AI and Explainability

  • سوگیری الگوریتمی و عدالت: تحلیل و مثال‌ها Algorithmic Bias and Fairness: Analysis and Examples

  • سوگیری الگوریتمی و عدالت: متدولوژی‌های کاهش اثر Algorithmic Bias and Fairness: Methodologies for Mitigation

  • توهم‌های هوش مصنوعی: موارد مستند و دیدگاه‌های آماری AI Hallucinations: Documented Occurrences and Statistical Perspectives

  • توهم‌های هوش مصنوعی: اصلاح و درمان AI Hallucinations: Remediation

  • هک پرامپت: سوءاستفاده از رفتار هوش مصنوعی Prompt Hacking: Exploiting AI Behavior

  • هک پرامپت: اقدامات پیشگیرانه Prompt Hacking: Mitigation

  • تقلید از سبک هنری: آیا تفاوتی وجود دارد؟ Imitating Artistic Style: In There a Difference?

  • مالکیت معنوی و هوش مصنوعی مولد: رویکردهای استراتژیک Intellectual Property and Generative AI: Strategic Approaches

  • راهکارهای فنی و تئوری برای نقض حق کپی‌رایت Technical and Theoretical Solutions to Copyright Infringement

  • حفظ حریم خصوصی در سیستم‌های هوش مصنوعی: تکنیک‌های پیشرفته محافظت از داده‌ها Privacy Preservation in AI Systems: Advanced Techniques for Data Protection

  • چارچوب‌های اخلاقی هوش مصنوعی Ethical AI Frameworks

  • جمع‌بندی دوره Course Wrap up

نمایش نظرات

آموزش مقدمه‌ای بر هوش مصنوعی مولد: مفاهیم و تکنیک‌ها
جزییات دوره
17h 6m
69
(آخرین آپدیت)
1,048
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده