0

    تسلط به LLM - کدنویسی عملی، ترازبندی و تسلط به LLM

    • 4
    • گروه آموزشی فرهنگی و هنری
    • کف سرمایه0 تومان
    • ریسکمتوسطه
    • سودآوری
    • نیروی انسانی
    • مقیاس

    توضیحات دوره آموزشی

    در این دوره LLM و ترازبندی را از ابتدا با پایتون و PyTorch کدنویسی می کنید و generative AI و یادگیری عمیق را با استفاده از اوریگامی بررسی می کنید.آنچه یاد خواهید گرفتدرک جزئیات خط به خط کدنویسی و آموزش یک LLM از ابتدادرک و تحلیل معماری پیشرفته LLM بر اساس سیستم Llamaکدنویسی و آموزش فرآیند ترازبندی از ابتدا برای ترازبندی یک LLM با شکل ترجیحی تعاملدرک عمیق مفاهیم کلیدی مانند مکانیسم های Attention، افت آنتروپی متقاطع، روش یادگیری شبکه های عصبی و بسیاری موارد دیگرکشف بینش های عمیقی درباره یادگیری عمیق و شبکه های عصبی با استفاده از اوریگامیعلاوه بر کدنویسی، هر بخش شامل توضیحات عمیقی از مفاهیم کلیدی مرتبط با این معماری ها و generative AI است.توضیحات دورهنکات برجسته دوره:آشنایی با generative AI - به دنیای مسحورکننده generative AI شیرجه می زنید، جایی که ماشین ها فراتر از تصور خلق می کنند و نوآوری می کنند.کدنویسی یک LLM از ابتدا کدنویسی - LLM خود را از ابتدا کدنویسی کرده و پرورش می دهید.کشف LLM Titan - بررسی معماری پیشرفته LLM - پشت پرده قدرتمندترین سیستم های هوش مصنوعی روی کره زمین را بررسی می کنید.ترازبندی - کدنویسی سس مخفی LLMs برتر - فرآیند ترازبندی LLM پیشرفته را کدنویسی می کنید. این مرحله بسیار مهمی است که ChatGPT و GPT 4 و Claude و Gemini را ممکن می‌ سازد و ما با هم یک نسخه پیشرفته از آن را کدنویسی می‌ کنیم.هوش مصنوعی اوریگامی - راه خود را به نیروانای شبکه عصبی باز می کنید. شما اولین تلفیق از هنر باستانی و علوم پیشرفته را در جهان تجربه می کنید تا یادگیری عمیق را بیاموزید.تقاطع هوش مصنوعی با ذن - سفر خود را با یک مدیتیشن اختیاری هدایت‌ شده و هیجان‌ انگیز تکمیل می کنید. در پایانی عمیق که فناوری و معنویت را پیوند می‌ دهد، نهایت generative AI را بررسی می کنید.این دوره برای چه کسانی مناسب است:علاقه مندان و توسعه دهندگان هوش مصنوعیمبتکران و خالقان فناوریدانشجویان و متخصصان هوش مصنوعیذهن های کنجکاو با استعداد خلاقمهندسان نرم افزارعمومی - افرادی که در مورد نحوه کار LLM کنجکاو هستند و می خواهند آن ها را عمیقاً درک کنند.عمومی - افرادی که می خواهند تجربه generative AI خود را با استفاده از پایتون و Pytorch برای برنامه نویسی LLM و فرآیندهای ترازبندی گسترش دهند.عمومی - افرادی که می خواهند تمام بخش های کلیدی نحوه عملکرد داخلی ChatGPT و Gemini یا Claude را بدانند تا از روش های جدید استفاده از این فناوری الهام بگیرند.عمومی - کسانی که خواهان آشنایی عمیق با هوش مصنوعی، یادگیری عمیق و شبکه های عصبی هستند.عمومی - کسانی که می خواهند عمیقاً بفهمند که چگونه شبکه های عصبی به روشی سرگرم کننده و منحصر به فرد از طریق اوریگامی یاد می گیرند.

    ویژگی های دوره

    • مهارت حرفه ای
    • زمان یادگیری آزاد
    • اتاق گفتگو
    • هزینه معقول
    • نمایش با موبایل
    • محتوی ویدویی با کیفیت بالا
    • دسترسی طولانی مدت به دوره

    0

    (از 0 رای)
    %0
    %0
    %0
    %0
    %0
    %0
    %0
    ---
    فصل اول
    1 - به این دوره خوش آمدید
    0:0

    2 - چرا ما با معرفی مفاهیم Generative AI شروع خواهیم کرد؟
    0:0

    3 - معرفی مدرس
    0:0

    4 - مدل سازی مولد، تکامل Generative AI و بررسی کاربردها
    0:6

    5 - بلوک های سازنده خلاقیت ماشین - مبانی یادگیری ماشین برای Gen AI
    0:12

    6 - معماری تخیل ماشین، از GANs تا انتشار و فراتر از آن
    0:13

    7 - خلاقیت ماشین با تأثیر واقعی روبرو می شود - کاربردهای Generative AI
    0:6

    8 - اخلاق خلاقیت ماشین - چالش ها و ملاحظات در Generative AI
    0:4

    9 - جهان های بازسازی شده - چشم انداز آینده با Generative AI
    0:6

    10 - خلاصه و نکات پایانی درباره این معرفی GenAI
    0:3

    12 - به این بخش خوش آمدید
    0:0

    13 - کجا کدنویسی را انجام دهیم؟ - مقدمه
    0:0

    14 - کجا کدنویسی را انجام دهیم؟ - جزئیات
    0:4

    15 - برخورد با چالش ها و یادآوری درباره گزینه های کدنویسی
    0:7

    16 - راه اندازی محیط کدنویسی
    0:11

    17 - Jupyter Notebooks چگونه کار می کنند؟
    0:10

    18 - ایمپورت کتابخانه های لازم
    0:8

    19 - راه اندازی فایل های اولیه ما
    0:8

    20 - راه اندازی پارامترهای معماری
    0:11

    21 - بررسی هایپرپارامترهای حیاتی
    0:6

    22 - پارامترهای کلیدی برای یک فرآیند آموزشی موثر
    0:8

    23 - معرفی لاگ کردن
    0:0

    24 - راه اندازی لاگ کردن
    0:5

    25 - راه اندازی tokenizer و قابلیت مرتبط
    0:9

    26 - تقسیم داده و ایجاد تابع دسته ای
    0:11

    27 - معماری ترنسفرمر
    0:2

    28 - اعلان لایه های بالای LLM
    0:13

    29 - تابع forward در LLM
    0:12

    30 - افت آنتروپی متقاطع با Pytorch
    0:9

    31 - افت آنتروپی متقاطع - بازسازی دستی
    0:8

    32 - از اطلاعات تا آنتروپی متقاطع - بررسی عمیق
    0:10

    33 - تکمیل و اعتبارسنجی افت آنتروپی متقاطع به صورت دستی
    0:14

    34 - تولید نمونه های جدید - مقدمه
    0:0

    35 - ایجاد قابلیت برای تولید نمونه های جدید
    0:9

    36 - تست قابلیت تولید نمونه
    0:11

    37 - کدنویسی بلوک های معماری LLM
    0:9

    38 - ارتباطات به علاوه محاسبات
    0:1

    39 - ارائه توان محاسباتی به LLM
    0:5

    40 - مکانیسم Multi Head Attention
    0:5

    41 - Attention تنها چیزی است که نیاز دارید
    0:0

    42 - کدنویسی و درک attention head
    0:22

    43 - درک attention - بررسی عمیق راهنما
    0:14

    44 - مثال بررسی و اشکال زدایی
    0:9

    45 - ارزیابی عملکرد با دقت بیشتر
    0:8

    46 - راه اندازی Optimizer و Scheduler
    0:10

    47 - بارگذاری چک پوینت ها برای استنباط یا شروع مجدد آموزش ها
    0:5

    48 - بارگذاری و تست چک پوینت از پیش آموزش دیده
    0:9

    49 - کدنویسی فرآیند یادگیری - مقدمه
    0:0

    50 - حلقه آموزش
    0:18

    51 - آموزش LLM
    0:18

    52 - در نظر گرفتن مقیاس LLM
    0:0

    53 - آموزش tokenizer
    0:12

    54 - کدنویسی مجموعه داده با tokenizer
    0:2

    55 - نتیجه گیری ها و آنچه در ادامه می آید
    0:6

    56 - به بررسی عمیق معماری پیشرفته LLM خوش آمدید
    0:2

    57 - راه اندازی محیط جدید و میزبانی فایل های پشتیبانی
    0:16

    58 - اعلان پارامترهای اصلی مدل
    0:10

    59 - ساختار اصلی و محاسبه loss
    0:13

    60 - تولید پیشرفته با استفاده از پارامترهای اضافی
    0:5

    61 - بلوک های اصلی معماری
    0:3

    62 - تحلیل لایه های محاسباتی LLM
    0:3

    63 - پیاده سازی attention کارآمد - بخش 1
    0:9

    64 - پیاده سازی attention کارآمد - بخش 2
    0:12

    65 - بررسی تعبیه‌ های موقعیتی چرخشی و سایر توابع پشتیبانی
    0:9

    66 - تحلیل کد استنتاج
    0:9

    67 - آماده شدن برای اجرای استنتاج روی ابر و به صورت محلی
    0:2

    68 - استنباط درباره نسخه های غیر هم تراز و هم تراز مدل
    0:18

    69 - تأملات بیشتر درباره نتایج استنتاج
    0:5

    70 - اهمیت ترازبندی
    0:7

    71 - مجموعه داده های پیش آموزش و ترازبندی
    0:6

    72 - ایمپورت کتابخانه های لازم
    0:4

    73 - راه اندازی پارامترها برای فرآیند ترازبندی
    0:10

    74 - راه اندازی قالب چت برای فرآیند توکن سازی
    0:14

    75 - فیلترینگ مجموعه داده ترازبندی
    0:11

    76 - پیش پردازش و توکن سازی مجموعه داده ترازبندی
    0:14

    77 - اشکال زدایی و تکمیل تابع پیش پردازش
    0:14

    78 - تقسیم داده ترازبندی و ایجاد dataloaders
    0:8

    79 - راه اندازی مدل و optimizer برای فرآیند آموزش ترازبندی
    0:10

    80 - راه اندازی تابع scheduler
    0:5

    81 - کدنویسی حلقه آموزش فرآیند ترازبندی
    0:5

    82 - کدنویسی محاسبه افت ترازبندی - بخش 1
    0:16

    83 - درک اینکه چگونه پاسخ‌ های ترازبندی را ترجیح می‌ دهیم - بررسی عمیق
    0:15

    84 - کدنویسی محاسبه افت ترازبندی - بخش 2
    0:7

    85 - کدنویسی محاسبه افت ترازبندی - بخش 3
    0:26

    86 - افزودن لاگ کردن، ذخیره چک پوینت و راه اندازی آموزش
    0:10

    87 - آموزش و تست ترازبندی، تحلیل و گسترش آمار
    0:13

    88 - افزودن کد جدید برای محاسبه دقیق تر افت های آموزشی و اعتبارسنجی
    0:13

    89 - مقایسه نمودارهای آموزشی و اعتبارسنجی - بررسی عمیق
    0:23

    90 - جمع بندی ترازبندی
    0:4

    91 - مسیری به سوی ترازبندی
    0:2

    92 - تبریک، خلاصه و گام بعدی
    0:2

    93 - به این سفر اصلی مبتنی بر Origami به هسته هوش مصنوعی خوش آمدید
    0:0

    94 - در جستجوی نقشه های جادویی خلاقیت با استفاده از Origami
    0:0

    95 - جستجوی نگاشت کامل - مجموعه داده و ابعاد
    0:5

    96 - از خطی بودن تا پیچیدگی - شبکه های عصبی و رفتار غیرخطی بودن زندگی
    0:5

    97 - تغییر قوانین - تبدیلات غیرخطی و کلید پیچیدگی
    0:11

    98 - نه خیلی سفت، نه خیلی شل - یافتن تناسب عالی
    0:3

    99 - چگونه افزایش ابعاد بر پیچیدگی پنهان شبکه تأثیر می گذارد؟
    0:4

    100 - قدرت عمق - ایجاد نگاشت های پیچیده با شبکه‌ های هوش مصنوعی
    0:5

    101 - از manifold های با ابعاد بالا تا فضاهای نهفته پویا و همیشه در حال تغییر
    0:6

    102 - نمایش دیجیتالی پیشرفته از پیچیدگی پنهان شبکه های عصبی
    0:1

    103 - مصورسازی این سفر - چشم اندازهای افت و جستجو برای وزن های بهینه
    0:4

    104 - مثالی از چشم انداز پویای افت شبکه متخاصم مولد
    0:1

    105 - لوسی - مصورسازی بلادرنگ تغییر وزن یک شبکه عصبی
    0:2

    106 - ترسیم نمودار اعماق پنهان - خلاصه ای از سفر فضایی نهفته متحول کننده ما
    0:0

    107 - خلاصه بخش های آخر
    0:0

    109 - معرفی سفر پایانی ما
    0:0

    110 - تجربه یک مصورسازی هدایت شده برای تمرین مدل مولد درون ذهن خود
    0:5

    111 - آشنایی با سفر به مرکز نورون
    0:4

    112 - کانتینر، اقیانوس نمک و 150 هزار ستون قشری
    0:7

    113 - مصورسازی نرون هرمی
    0:17

    114 - سیناپس، مصورسازی رابط ورودی و خروجی
    0:6

    115 - نورون های بیولوژیک در مقابل مصنوعی - ورودی ها، خروجی ها، سرعت و غیره
    0:8

    116 - یادگیری در نورون های بیولوژیک و مصنوعی
    0:7

    117 - برنامه ریزی، تصمیم گیری و مدل های دنیایی
    0:12

    118 - کارایی - پراکندگی در شبکه های بیولوژیک در مقابل مصنوعی
    0:3

    119 - خودآگاهی - درون نورون ها
    0:2

    120 - آینده - پیش به سوی AGI و ASI
    0:2

    121 - نتیجه گیری و تبریک
    0:0

    0
    50,000
    تومان
    تسلط به LLM - کدنویسی عملی، ترازبندی و تسلط به LLM
    اطلاعات کلی دوره
    • سطح آموزشی مقدماتی
    • تعداد درس‌ها119 درس
    • ویدئو آموزشی925 دقیقه
    • مدت زمان آموزش معادل 25 : 15 ساعت
    • تعداد هنرآموز0 نفر
    • کتاب‌های آموزشی0 صفحه
    • ویدیوی کمک آموزشی 0 دقیقه

    برچسب

    دوره های مرتبط

    0
    50,000
    تومان