آموزش مبانی مدل‌های زبانی بزرگ - آخرین آپدیت

سرفصل ها و درس ها

Module 1: Introduction to LLMs

• مدل‌های زبانی بزرگ (LLM) چه هستند؟ What Are Large Language Models?

• تاریخچه و تکامل مدل‌های زبانی بزرگ (LLM) - قسمت ۱ History and Evolution of LLMs Part 1

• تاریخچه و تکامل مدل‌های زبانی بزرگ (LLM) - قسمت ۲ History and Evolution of LLMs Part 2

• تفاوت‌های کلیدی بین مدل‌های زبانی بزرگ (LLM) و مدل‌های سنتی Key Differences Between LLMs and Traditional Models

• مدل‌های زبانی بزرگ (LLM) محبوب: GPT، PaLM، Claude، LLaMA، Gemini - قسمت ۱ Popular LLMs: GPT, PaLM, Claude, LLaMA, Gemini Part 1

• مدل‌های زبانی بزرگ (LLM) محبوب: GPT، PaLM، Claude، LLaMA، Gemini - قسمت ۲ Popular LLMs: GPT, PaLM, Claude, LLaMA, Gemini Part 2

• معرفی مدل‌های زبانی بزرگ (LLM) Introduction to Large Language Models (LLMs)

• منبع: برگه تقلب مدل زبانی بزرگ (LLM) Resource: Large Language Model Cheat Sheet

• منبع: واژه‌نامه اصطلاحات مدل زبانی بزرگ (LLM) Resource: Glossary of LLM Terminology

مدل‌های زبانی بزرگ (LLM) چگونه کار می‌کنند How LLMs Work

• ترانسفورمرها و معماری پشت مدل‌های زبانی بزرگ (LLM) Transformers and the Architecture Behind LLMs

• پیش‌آموزش در مقابل تنظیم دقیق (Fine-tuning) Pre-training vs Fine-tuning

• توکن‌ها، پنجره‌های Context و پارامترهای مدل Tokens, Context Windows, and Model Parameters

• مبانی مهندسی Prompt Prompt Engineering Basics

• تکنیک‌ها، نکات و اشتباهاتی که باید از آن‌ها اجتناب کرد Techniques, Tips & Mistakes to Avoid

• بررسی عمیق مدل‌های زبانی بزرگ (LLM) و مهندسی Prompt Deep Dive into LLMs & Prompt Engineering

قابلیت‌ها و موارد استفاده مدل‌های زبانی بزرگ (LLM) LLM Capabilities and Use Cases

• تولید متن، خلاصه‌سازی، ترجمه Text Generation, Summarization, Translation

• تکمیل کد و استدلال Code Completion and Reasoning

• مدل‌های زبانی بزرگ (LLM) در چت‌بات‌ها، Agentها و ابزارهای محتوا LLMs in Chatbots, Agents, and Content Tools

• کاربردهای واقعی در تجارت، آموزش و تحقیقات Real-World Applications in Business, Education, and Research

• قابلیت‌ها و موارد استفاده مدل‌های زبانی بزرگ (LLM) LLM Capabilities and Use Cases

Prompting و تنظیم دقیق (Fine-Tuning) Prompting & Fine-Tuning

• Prompting با Zero-shot، One-shot و Few-shot Zero-shot, One-shot, and Few-shot Prompting

• ساخت زنجیره‌های Prompt Building Prompt Chains

• معرفی Fine-tuning و Embeddings Introduction to Fine-tuning and Embeddings

• Prompting و تنظیم دقیق (Fine-Tuning) Prompting & Fine-Tuning

محدودیت‌ها، خطرات و اخلاق Limitations, Risks & Ethics

• سوگیری، توهمات و اطلاعات نادرست Bias, Hallucinations, and Misinformation

• نگرانی‌های مربوط به حریم خصوصی و حساسیت داده‌ها در مدل‌های زبانی بزرگ (LLM) Privacy Concerns and Data Sensitivity in LLMs

• قابلیت تفسیر و کنترل مدل Model Interpretability and Control

• استقرار اخلاقی و استفاده مسئولانه از هوش مصنوعی Ethical Deployment & Responsible AI Use

اکوسیستم و ابزارهای مدل زبانی بزرگ (LLM) LLM Ecosystem & Tools

• APIها (OpenAI، Google Vertex AI، Anthropic) APIs (OpenAI, Google Vertex AI, Anthropic)

• فریم‌ورک‌ها: LangChain، LlamaIndex، PromptLayer Frameworks: LangChain, LlamaIndex, PromptLayer

• آینده مدل‌های زبانی بزرگ (LLM): مدل‌های Open-Source در مقابل مدل‌های Closed Future of LLMs: Open-Source vs Closed Models