آموزش شروع به کار با هوش مصنوعی مولد (Generative AI) - آخرین آپدیت

مبانی هوش مصنوعی مولد Foundations of Generative AI

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• تعریف هوش مصنوعی مولد و تکامل آن Defining Generative AI and its Evolution

• مقایسه مدل‌های مولد در مقابل مدل‌های تمایزی Generative Vs. Discriminative Models

• کاربردهای هوش مصنوعی مولد Applications of Generative AI

• مرور کلی خط لوله (Pipeline) هوش مصنوعی مولد Generative AI Pipeline Overview

• اهمیت پیش‌پردازش داده‌ها Importance of Data Pre-processing

• راهنمای پیش‌پردازش داده‌ها Navigating to Data Pre-processing

• تکنیک‌های پاکسازی داده‌ها Techniques for Data Cleaning

• روش‌های برداری‌سازی داده‌ها Data Vectorization Methods

• کاربردهای برداری‌سازی Applications of Vectorization

• دمو: برداری‌سازی متن با TF-IDF و CountVectorizer Demonstration: Text Vectorization with TF-IDF and CountVectorizer

• مبانی اتوانکودر: معماری و آموزش Autoencoder Basics: Architecture and Training

• اتوانکودرهای متغیر (VAE): overview و کاربردها Variational Autoencoders: Overview and Applications

• درک شبکه‌های مولد رقابتی (GANs) Understanding Generative Adversarial Networks

• دمو: ساخت یک اتوانکودر ساده در Keras Demonstration: Building a Simple Autoencoder in Keras

• آموزش GANها: نکات کلیدی Training GANs: Key Considerations

• انواع GANها: DCGAN و CycleGAN Variants of GANs: DCGAN, CycleGAN

مدل‌های ترنسفورمر و مدل‌های زبانی بزرگ (LLMs) Transformer Models and Large Language Models (LLMs)

• تکامل مدل‌های ترنسفورمر Evolution of Transformer Models

• مکانیزم توجه (Attention) و نقش آن در ترنسفورمرها Attention Mechanism and its Role in Transformers

• دمو: بصری‌سازی مکانیزم توجه در مدل ترنسفورمر Demonstration: Visualizing Attention in Transformer Model

• مرور کلی مدل BERT Overview of BERT

• مرور کلی مدل GPT Overview of GPT

• آشنایی با مدل‌های زبانی بزرگ (LLMs) Introduction to LLMs

• بررسی Meta Llama 3 و سایر LLMهای پیشرو Exploring Meta Llama 3 and Other Leading LLMs

• موارد استفاده از LLMها در دامنه‌های مختلف Use Cases of LLMs in Various Domains

• درک APIهای LLM و انواع آن‌ها Understanding LLM APIs and Their Types

• یکپارچه‌سازی API با LLMها API Integration with LLMs

• دمو: یکپارچه‌سازی LLM با Gemini API Demonstration: LLM Integration with Gemini API

• مرور کلی LLMهای متن‌باز Overview of Open-Source LLMs

• ملاحظات اخلاقی در استقرار مدل‌های متن‌باز Ethical Considerations in Deploying Open-Source Models

• مقایسه مدل‌های متن‌باز Comparing Open Source Models

• دمو: اکوسیستم Hugging Face Demonstration: Hugging Face Ecosystem

تکنیک‌ها و ابزارهای هوش مصنوعی مولد Generative AI Techniques and Tools

• مهندسی پرامپت چیست؟ What is Prompt Engineering?

• استراتژی‌های طراحی پرامپت برای مدل‌های هوش مصنوعی مولد Prompt Design Strategies for Generative AI Models

• عناصر یک پرامپت موثر Elements of an Effective Prompt

• دمو: طراحی پرامپت‌های Zero-Shot، One-Shot و Few-Shot Demonstration: Crafting Zero-Shot, One-Shot, and Few-Shot Prompts

• دمو: طراحی پرامپت‌های خلاقانه برای وظایف متنوع NLP Demonstration: Designing Creative Prompts for Diverse NLP Tasks

• استراتژی‌های یادگیری Few-shot و Zero-shot Few-shot and Zero-shot Learning Strategies

• پرامپت‌نویسی زنجیره افکار (Chain of Thought) Chain-of-Thought Prompting

• بهینه‌سازی پرامپت‌ها برای خروجی‌های خاص Optimizing Prompts for Specific Outputs

• دمو: استراتژی‌های موثر طراحی پرامپت Demonstration: Effective Prompt Design Strategies

• آشنایی با پایگاه‌های داده برداری (Vector Databases) Introduction to Vector Databases

• بررسی ChromaDB، Pinecone و Weaviate ChromaDB, Pinecone, Weaviate

• جستجوی معنایی با Embeddings برداری Semantic Search with Vector Embeddings

• معماری RAG و تکنیک‌های بازیابی (Retriever) RAG Architecture and Retriever Techniques

• مدل‌های RAG ماژولار و چندوجهی (Multimodal) Modular and Multimodal RAG

• دمو: ChromaDB: نصب، ایجاد و مدیریت پایگاه داده برداری Demonstration: ChromaDB: Installing, Creating and Managing Vector Database

• دمو: جستجوی معنایی با Embeddings برداری Demonstration: Semantic Search with Vector Embeddings

• معماری و اجزای LangChain LangChain Architecture and Components

• استفاده از قالب‌های پرامپت و ابزارها Using Prompt Templates and Tools

بهینه‌سازی و فاین‌تیونینگ مدل‌های مولد Fine-Tuning and Optimization of Generative Models

• مبانی فاین‌تیونینگ برای مدل‌های مولد Fine-Tuning Fundamentals for Generative Models

• افزایش داده‌ها (Data Augmentation) و تنظیم هایپرپارامترها Data Augmentation and Hyperparameter Tuning

• فاین‌تیونینگ بهینه از نظر پارامتر (PEFT) Parameter-Efficient Fine-Tuning

• تطبیق رتبه پایین (LoRA) Low-Rank Adaptation

• تطبیق رتبه پایین کوانتیزه شده (QLoRA) Quantized Low-Rank Adaptation

• چالش‌های ارزیابی مدل‌های هوش مصنوعی مولد Challenges in Evaluating Generative AI Models

• معیارهای ارزیابی: BLEU، ROUGE و Inception Score Evaluation Metrics: BLEU, ROUGE, Inception Score

• ارزیابی کیفی در مقابل ارزیابی کمی Qualitative versus Quantitative Evaluation

• دمو: ارزیابی تولید متن با BLEU و ROUGE Demonstration: Evaluating Text Generation with BLEU and ROUGE

• آشنایی با LLMOps Introduction to LLMOps

• استراتژی‌های استقرار برای برنامه‌های هوش مصنوعی مولد Deployment Strategies for Generative AI Applications

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

• جمع‌بندی نهایی دوره Course Summary