دوره آموزشی ریاضیات بنیادین برای هوش مصنوعی مولدی: درک مدل‌های زبان بزرگ (LLM) و ترنسفورماتورها از طریق کاربردهای عملی

رازهای پشت مدل‌هایی که برنامه‌های پیشرفته‌ هوش مصنوعی امروز را قدرت می‌بخشند، کشف کنید. در این دوره، مربی آکسل سیروتا شما را فراتر از صرف استفاده از مدل‌های زبان بزرگ (LLMs) مانند BERT یا GPT می‌برد و مبانی ریاضی هوش مصنوعی تولیدی را توضیح می‌دهد. چالش تحلیل احساسات با استفاده از شبکه‌های عصبی بازگشتی ساده (RNNs) را بررسی کنید و به تدریج رویکرد خود را پیشرفته‌تر کنید، همانطور که درک عمیقی از مکانیزم‌های توجه، ترنسفورمرها و مدل‌ها پیدا می‌کنید. از طریق توضیحات بصری و تمرینات عملی کدنویسی، آکسل توضیح می‌دهد که چرا مکانیزم‌های توجه باعث انقلاب در پردازش زبان طبیعی شدند و چگونه ترنسفورمرها با حذف نیاز به RNNs، این حوزه را متحول کردند. در طول دوره، نکاتی برای تنظیم مدل‌های پیش‌آموزش داده‌شده، اعمال تکنیک‌های پیشرفته مانند Adaptation کم‌رتبه (LoRA)، و استفاده از مهارت‌های جدید به دست آمده برای ساخت مدل‌های هوشمندتر و کارآمدتر و نوآوری در دنیای سریع‌التحول هوش مصنوعی خواهید یافت.

اهداف یادگیری:
✅ درک شهودی LLMها و ترنسفورمرها: درک شهودی از نحوه و دلایل عملکرد LLMها و ترنسفورمرها
✅ تحلیل تکامل مکانیزم‌های توجه: یادگیری چگونگی تکامل مکانیزم‌های توجه برای حل مشکلات اصلی مدل‌های مبتنی بر RNN
✅ مدل تحلیل احساسات: توسعه یک مدل تحلیل احساسات با استفاده از TensorFlow، Keras و DistilBERT از Hugging Face
✅ تقویت مدل‌ها با بینش ریاضی: بهبود مدل‌ها به طور تدریجی با استفاده از بینش‌های ریاضی در کد، از Word Embeddings تا مکانیزم‌های توجه و لایه‌های ترنسفورمر
✅ استفاده از تجسم‌ها: استفاده از تجسم‌ها برای درک چگونگی کارکرد مکانیزم‌های توجه و بهینه‌سازی در مدل‌ها