دوره آموزشی راهنمای پیشرفته ChatGPT، جاسازی‌ها (Embeddings) و سایر مدل‌های زبان بزرگ (LLMs)

14 ساعت 2 دقیقهمتوسط2024-10-24

مدرسین

Pearson

Sinan Ozdemir

جزئیات دوره

اگر به دنبال یادگیری بیشتر در مورد موقعیت‌های استفاده مختلف از مدل‌های زبان بزرگ (LLM) هستید، این دوره یک راهنمای سریع است که به شما کمک می‌کند تا یاد بگیرید چگونه از ChatGPT، T5 و BERT در مقیاس بزرگ استفاده و راه‌اندازی کنید. با استفاده از مطالعات موردی واقعی برای توضیح مفاهیم، Sinan Ozdemir مربی این دوره، یک رویکرد گام به گام برای ساخت و استقرار LLM ها با سهولت بیان می‌کند. از ایجاد یک سیستم توصیه‌گر و راه‌اندازی یک سیستم بازیابی اطلاعات گرفته تا ساخت یک سیستم توصیف تصاویر و فراتر از آن، این دوره دستورالعمل‌های روشن و بهترین شیوه‌ها را برای هر کسی که علاقه‌مند به استفاده از LLM ها برای تولید بینش‌هایی است که در غیر این صورت سخت به دست می‌آید، ارائه می‌دهد.

اهداف یادگیری:
راه‌اندازی یک برنامه با استفاده از مدل‌های اختصاصی با OpenAI embeddings و GPT-3.
تدریب مدل GPT-3 با مثال‌های سفارشی از طریق API آن برای دریافت نتایج بهتر.
یادگیری اصول مهندسی پرس و جو با ساخت و سفارشی‌سازی یک چت‌بات.
استقرار LLM های سفارشی به ابر.

مهارت ها

ChatGPTNatural Language Processing (NLP)OpenAIAI Productivity ToolsArtificial Intelligence (AI)Business Software and ToolsOne-Off

سرفصل ها

0. مقدمه

01 - راهنمای سریع مدل‌های زبان بزرگ - مقدمه

1. مروری بر مدل‌های زبان بزرگ (LLM)

02 - ماژول 1 - آشنایی با مدل‌های زبان بزرگ
03 - موضوعات
04 - مدل‌های زبان چیست
05 - LLM‌های مدرن محبوب
06 - کاربردهای LLM

2. جستجوی معنایی با LLM

07 - موضوعات
08 - مقدمه ای بر جستجوی معنایی
09 - ساخت یک سیستم جستجوی معنایی
10 - بهینه‌سازی جستجوی معنایی با رمزگذارهای متقابل و تنظیم دقیق

3. مراحل اول با مهندسی سریع

11 - موضوعات
12 - مقدمه ای بر مهندسی سریع
13 - کار با اعلان‌ها در بین مدل ها
14 - ساخت ربات نسل افزوده بازیابی با ChatGPT و GPT-4o

4. Retrieval-Augmented Generation و AI Agents

15 - موضوعات
16 - مقدمه ای بر نسل افزوده بازیابی (RAG)
17 - ساخت ربات RAG
18 - استفاده از مدل‌های منبع باز با RAG
19 - گسترش به عوامل هوش مصنوعی

5. بهینه‌سازی LLM با تنظیم دقیق

20 - ماژول 2 - بهترین استفاده را از معرفی LLMs
21 - موضوعات
22 - آموزش انتقالی - پرایمر
23 - API تنظیم دقیق OpenAI
24 - مطالعه موردی - پیش‌بینی با بررسی‌های آمازون - قسمت 1
25 - مطالعه موردی - پیش‌بینی با بررسی‌های آمازون - قسمت 2

6. مهندسی سریع پیشرفته

26 - موضوعات
27 - اعتبار سنجی خروجی ورودی
28 - درخواست دسته ای و زنجیره ای سریع
29 - تحریک زنجیره ای از فکر
30 - جلوگیری از حملات سریع تزریق
31 - ارزیابی سطح دانش رمزگذاری شده LLM

7. سفارشی سازی جاسازی‌ها و معماری‌های مدل

32 - موضوعات
33 - مطالعه موردی - ساخت سیستم توصیه انیمه
34 - استفاده از مدل‌های تعبیه شده OpenAI
35 - تنظیم دقیق یک مدل تعبیه شده برای ثبت رفتار کاربر

8. AI Alignment - اصول اول

36 - موضوعات
37 - مقدمه ای بر هم ترازی هوش مصنوعی
38 - ارزیابی همسویی به علاوه اخلاق

9. حرکت فراتر از مدل‌های پایه

39 - ماژول 3 - مقدمه استفاده از LLM پیشرفته
40 - موضوعات
41 - ترانسفورماتور بینایی
42 - استفاده از توجه متقاطع برای ترکیب روش‌های داده
43 - مطالعه موردی - Visual QA راه‌اندازی یک مدل
44 - مطالعه موردی - Visual QA تنظیم پارامترها و داده ها
45 - مقدمه ای بر یادگیری تقویتی از بازخورد
46 - تراز کردن FLAN-T5 با یادگیری تقویتی از بازخورد

10. تنظیم دقیق LLM منبع باز پیشرفته

47 - موضوعات
48 - BERT برای طبقه بندی چند برچسبی - قسمت 1
49 - BERT برای طبقه بندی چند برچسبی - قسمت 2
50 - نوشتن LaTeX با GPT-2
51 - مطالعه موردی - تلاش سینان برای پاسخ‌های عاقلانه و در عین حال جذاب SAWYER
52 - تراز دستورالعمل‌های LLM - تنظیم دقیق نظارت شده
53 - تراز دستورالعمل‌های LLM - مدل سازی پاداش
54 - تراز دستورالعمل LLMs - RLHF
55 - تراز دستورالعمل‌های LLM - استفاده از یک LLM تراز شده با دستورالعمل

11. انتقال LLMها به سمت تولید

56 - موضوعات
57 - پیش‌بینی هزینه و استقرار LLM‌ها به تولید
58 - تقطیر دانش

12. ارزیابی‌های LLM

59 - موضوعات
60 - ارزیابی وظایف مولد - قسمت 1
61 - ارزیابی وظایف مولد - قسمت 2
62 - ارزیابی تکالیف درک
63 - پروب LLM برای مدل جهانی

نتیجه گیری

64 - مدل‌های زبانی سریع به مدل‌های بزرگ - خلاصه