Pluralsight – Fine-Tuning and Optimizing Small Language Models 2026-9

در تاریخ: 1405/07/22 9:10:21

توضیحات

دوره Fine-Tuning and Optimizing Small Language Models. این دوره آموزشی یک برنامه جامع و کاربردی است که نحوه دقیق تنظیم، بهینه‌سازی، ترازسازی و فشرده‌سازی مدل‌های زبانی کوچک را برای استفاده کارآمد در محیط‌های عملیاتی آموزش می‌دهد. این دوره آموزشی به عنوان یک راهنمای تخصصی طراحی شده است تا به متخصصان یاد بدهد چگونه مدل‌های زبانی پایه را برای انجام وظایف خاص و سفارشی آماده‌سازی کنند. مدل‌های زبانی پایه معمولاً برای اجرای بهینه و دقیق وظایف تخصصی نیازمند فرایندهای پس‌آموزش هدفمند هستند. با این حال، تطبیق دادن مدل‌های زبانی متن‌باز برای کاربردهای خاص در حوزه‌های مختلف، غالباً چالش‌های بزرگی مانند محدودیت‌های حافظه کارت گرافیک، هزینه‌های سنگین پردازشی و پیچیدگی جریان‌های کاری پس‌آموزش را به همراه دارد. این دوره آموزش می‌دهد که چگونه می‌توان بر این موانع غلبه کرد و مدل‌های زبانی را برای سازمان‌ها بهینه‌سازی نمود. در طول این دوره، فراگیران ابتدا با مفاهیم بنیادی پس‌آموزش، زیست‌بوم ابزارها و روش‌های آماده‌سازی مجموعه‌های داده شامل تولید داده‌های ساختگی آشنا می‌شوند. در ادامه، نحوه اجرای تنظیم دقیق با مدیریت بهینه حافظه با استفاده از روش‌های لورا (LoRA) و کیولورا (QLoRA) و همچنین تکنیک‌های ترازسازی ترجیحات مانند دی‌پی‌او (DPO) و جی‌آرپی‌او (GRPO) آموزش داده می‌شود. در نهایت، شرکت‌کنندگان می‌آموزند که چگونه مدل‌های تنظیم‌شده خود را کوانتایز کرده و ارزیابی مقایسه‌ای میان دقت مدل و سرعت انتشار انجام دهند. در پایان این دوره، افراد دانش و مهارت لازم برای ارائه مدل‌های هوش مصنوعی سفارشی و بهینه را کسب خواهند کرد.

آنچه فرا خواهید گرفت

آماده‌سازی مجموعه‌ داده‌ها و استفاده از تکنیک‌های تولید داده‌های ساختگی برای فرایند پس‌آموزش
اجرای روش‌های تنظیم دقیق با مصرف بهینه حافظه مانند LoRA و QLoRA
به‌کارگیری تکنیک‌های ترازسازی ترجیحات از جمله روش‌های DPO و GRPO برای بهبود عملکرد مدل
کوانتایز کردن مدل‌های زبانی کوچک و سنجش میزان دقت در برابر سرعت انتشار و اجرا
انتشار مدل‌های زبانی کوچک و متن‌باز سفارشی‌سازی‌شده در محیط‌های عملیاتی

این دوره مناسب افرادیست که

مهندسان هوش مصنوعی و یادگیری ماشین که می‌خواهند مدل‌های زبانی را سفارشی‌سازی کنند
توسعه‌دهندگانی که با محدودیت‌های حافظه کارت گرافیک و هزینه‌های بالای پردازش مواجه هستند
متخصصان داده که قصد دارند مدل‌های زبانی کوچک را برای کاربردهای تخصصی سازمان خود آماده کنند
افرادی که می‌خواهند مهارت‌های فشرده‌سازی، کوانتایزسازی و بهینه‌سازی مدل‌های متن‌باز را فرا بگیرند