آموزش توضیح‌پذیری مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی عامل‌محور - آخرین آپدیت

دانلود Large Language Model and Agentic AI Explainability

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های یادگیری ماشین عامل‌محور (Agentic)، حتی زمانی که به درستی کار می‌کنند، برنامه‌های کامپیوتری بسیار پیچیده و غیرقطعی هستند که تکنیک‌های سنتی تست و توضیح‌پذیری همیشه برای آن‌ها کاربرد ندارند. در این دوره آموزشی با عنوان «توضیح‌پذیری مدل‌های زبانی بزرگ و هوش مصنوعی عامل‌محور»، شما یاد می‌گیرید که سیستم‌های LLM عامل‌محورِ توضیح‌پذیر بسازید و قابلیت توضیح‌پذیری را در سیستم‌های موجود پیاده‌سازی کنید. ابتدا، مفاهیم محوری پیرامون توضیح‌پذیری را درک خواهید کرد؛ از جمله اینکه چرا این قابلیت ضروری است (برای مثال، برای توجیه تصمیماتی که ممکن است بر معیشت یا رفاه افراد تأثیر بگذارد) و چرا پیاده‌سازی آن نسبت به نرم‌افزارهای سنتی دشوارتر است. سپس، با استدلال زنجیره افکار (Chain-of-Thought)، نحوه استفاده و روش پیاده‌سازی آن در سیستم‌های هوش مصنوعی آشنا می‌شوید. در نهایت، متدهای نوظهور برای پیاده‌سازی توضیح‌پذیری، از جمله بصری‌سازی توجه (Attention Visualization) و انتساب داده‌های تصویری را خواهید آموخت. در پایان این دوره، شما مهارت‌ها و دانش لازم برای پیاده‌سازی و نگهداری سیستم‌های LLM توضیح‌پذیر در محیط‌های عامل‌محور را کسب خواهید کرد.

سرفصل ها و درس ها

درک توضیح‌پذیری در مدل‌های LLM و هوش مصنوعی عامل‌محور Understanding Explainability in LLMs and Agentic AI Models

  • بررسی مطالعات موردی در مورد موفقیت‌ها و شکست‌های هوش مصنوعی عامل‌محور Exploring Case Studies Involving Agentic AI Successes and Failures

  • درک LLMهای عامل‌محور و چالش‌های موجود در توضیح‌پذیری Understanding Agentic LLMs and Challenges in Explainability

شناخت تکنیک‌های پیاده‌سازی مدل‌های LLM توضیح‌پذیر و هوش مصنوعی عامل‌محور Understanding Techniques for Implementing Explainable LLM Models and Agentic AI

  • درک ردیابی پرامپت و بصری‌سازی توجه در مدل‌های LLM Understanding Prompt Tracing and Attention Visualization in LLMs

  • درک و پیاده‌سازی ردیابی رفتار Understanding and Implementing Behavior Tracing

  • پیاده‌سازی ردیابی رفتار در یک سیستم LLM عامل‌محور Implementing Behavior Tracing in an Agentic LLM System

نمایش نظرات

آموزش توضیح‌پذیری مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی عامل‌محور
جزییات دوره
28m
5
(آخرین آپدیت)
11
5 از 5
دارد
دارد
دارد
Daniel Stern
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Daniel Stern Daniel Stern

Daniel Stern یک رمزگذار ، توسعه دهنده وب و علاقه مند به برنامه نویسی از تورنتو ، انتاریو است ، جایی که او به عنوان یک توسعه دهنده و طراح مستقل کار می کند. دانیل از روزهای برقراری ارتباط تلفنی با فناوری های وب کار می کند و به ویژه علاقه زیادی به جاوا اسکریپت ، CSS ، آنگولار ، React و TypeScript دارد. در طول کار خود به عنوان یک توسعه دهنده منبع باز ، وی بسیاری از ابزارهای وب با استانداردهای جامعه از جمله Angular Audio و Range.CSS را ایجاد کرده است. ابزار وی ، Range.CSS ، در مقاله مهمان در CSS-Tricks.com و در CSS Weekly به نمایش در آمد. دانیل همچنین دانش خود را از طریق سخنرانی به اشتراک می گذارد ، مانند لندن ، انگلیس در Full Stack Conf 2014 که در آن سخنرانی در مورد بهترین روش های صوتی وب و Angular را ارائه داد. فیلم های سخنرانی دانیل در نشریاتی مانند JavaScript Weekly به نمایش در آمده است. دانیل در تورنتو ، انتاریو زندگی می کند و از ساخت موسیقی الکترونیکی و خواندن Game of Thrones در موارد نادر که کد نویسی نمی کند ، لذت می برد.