Oreilly – Generative AI in Action, Video Edition 2024-11

توضیحات

دوره Generative AI in Action, Video Edition. این دوره جامع به شما نشان می‌دهد که چگونه هوش مصنوعی مولد می‌تواند با ساده‌سازی فرآیند ایجاد متن، تصویر و کد، کسب‌وکار شما را متحول کند. در این دوره، اصول اساسی هوش مصنوعی و کاربردهای عملی آن در محیط‌های سازمانی، از تولید متن و تصویر برای کاتالوگ‌های محصول و کمپین‌های بازاریابی گرفته تا گزارش‌های فنی و حتی نوشتن نرم‌افزار، آموزش داده می‌شود. نویسنده دوره، Amit Bahree، تجربیات خود در رهبری پروژه‌های هوش مصنوعی مولد در مایکروسافت را در طول نزدیک به یک دهه، از جمله قبل از انقلاب GPT فعلی، به اشتراک می‌گذارد.

آنچه فرا خواهید گرفت:

• بررسی عملی کاربردهای هوش مصنوعی مولد: آشنایی با کاربردهای متنوع هوش مصنوعی مولد در دنیای واقعی
• الگوهای معماری، راهنمایی‌های یکپارچه‌سازی و بهترین روش‌ها: یادگیری نحوه پیاده‌سازی و استفاده بهینه از هوش مصنوعی مولد
• جدیدترین تکنیک‌ها: آشنایی با تکنیک‌هایی مانند RAG، مهندسی پرامپت و چندوجهی
• چالش‌ها و خطرات هوش مصنوعی مولد: درک و مدیریت چالش‌هایی مانند توهمات و جیل‌بریک‌ها
• یکپارچه‌سازی هوش مصنوعی مولد با استراتژی کسب‌وکار و IT: یادگیری نحوه استفاده استراتژیک از هوش مصنوعی مولد

این دوره مناسب چه کسانی است؟

• این دوره برای معماران سازمانی، توسعه‌دهندگان و دانشمندان داده‌ای که علاقه‌مند به ارتقای معماری‌های خود با هوش مصنوعی مولد هستند، مناسب است.

مشخصات دوره Generative AI in Action, Video Edition

• ناشر: Oreilly
• مدرس: Amit Bahree
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 12 ساعت و 27 دقیقه

سرفصل های دوره

• Part 1. Foundations of generative AI
• Chapter 1. Introduction to generative AI
  Chapter 1. What is generative AI?
  Chapter 1. What can we generate?
  Chapter 1. Enterprise use cases
  Chapter 1. When not to use generative AI
  Chapter 1. How is generative AI different from traditional AI?
  Chapter 1. What approach should enterprises take?
  Chapter 1. Architecture considerations
  Chapter 1. So your enterprise wants to use generative AI. Now what?
  Chapter 1. Summary
• Chapter 2. Introduction to large language models
  Chapter 2. Overview of LLMs
  Chapter 2. Transformer architecture
  Chapter 2. Training cutoff
  Chapter 2. Types of LLMs
  Chapter 2. Small language models
  Chapter 2. Open source vs. commercial LLMs
  Chapter 2. Key concepts of LLMs
  Chapter 2. Summary
• Chapter 3. Working through an API: Generating text
  Chapter 3. Completion API
  Chapter 3. Advanced completion API options
  Chapter 3. Chat completion API
  Chapter 3. Summary
• Chapter 4. From pixels to pictures: Generating images
  Chapter 4. Image generation with Stable Diffusion
  Chapter 4. Image generation with other providers
  Chapter 4. Editing and enhancing images using Stable Diffusion
  Chapter 4. Summary
• Chapter 5. What else can AI generate?
  Chapter 5. Additional code-related tasks
  Chapter 5. Other code generation tools
  Chapter 5. Video generation
  Chapter 5. Audio and music generation
  Chapter 5. Summary
• Part 2. Advanced techniques and applications
• Chapter 6. Guide to prompt engineering
  Chapter 6. The basics of prompt engineering
  Chapter 6. In-context learning and prompting
  Chapter 6. Prompt engineering techniques
  Chapter 6. Image prompting
  Chapter 6. Prompt injection
  Chapter 6. Prompt engineering challenges
  Chapter 6. Best practices
  Chapter 6. Summary
• Chapter 7. Retrieval-augmented generation: The secret weapon
  Chapter 7. RAG benefits
  Chapter 7. RAG architecture
  Chapter 7. Retriever system
  Chapter 7. Understanding vector databases
  Chapter 7. RAG challenges
  Chapter 7. Overcoming challenges for chunking
  Chapter 7. Chunking PDFs
  Chapter 7. Summary
• Chapter 8. Chatting with your data
  Chapter 8. Using a vector database
  Chapter 8. Planning for retrieving the information
  Chapter 8. Retrieving the data
  Chapter 8. Search using Redis
  Chapter 8. An end-to-end chat implementation powered by RAG
  Chapter 8. Using Azure OpenAI on your data
  Chapter 8. Benefits of bringing your data using RAG
  Chapter 8. Summary
• Chapter 9. Tailoring models with model adaptation and fine-tuning
  Chapter 9. When to fine-tune an LLM
  Chapter 9. Fine-tuning OpenAI models
  Chapter 9. Deployment of a fine-tuned model
  Chapter 9. Training an LLM
  Chapter 9. Model adaptation techniques
  Chapter 9. RLHF overview
  Chapter 9. Summary
• Part 3. Deployment and ethical considerations
• Chapter 10. Application architecture for generative AI apps
  Chapter 10. Generative AI: Application stack
  Chapter 10. Orchestration layer
  Chapter 10. Grounding layer
  Chapter 10. Model layer
  Chapter 10. Response filtering
  Chapter 10. Summary
• Chapter 11. Scaling up: Best practices for production deployment
  Chapter 11. Deployment options
  Chapter 11. Managed LLMs via API
  Chapter 11. Best practices for production deployment
  Chapter 11. GenAI operational considerations
  Chapter 11. LLMOps and MLOps
  Chapter 11. Checklist for production deployment
  Chapter 11. Summary
• Chapter 12. Evaluations and benchmarks
  Chapter 12. Traditional evaluation metrics
  Chapter 12. LLM task-specific benchmarks
  Chapter 12. New evaluation benchmarks
  Chapter 12. Human evaluation
  Chapter 12. Summary
• Chapter 13. Guide to ethical GenAI: Principles, practices, and pitfalls
  Chapter 13. Understanding GenAI attacks
  Chapter 13. A responsible AI lifecycle
  Chapter 13. Red-teaming
  Chapter 13. Content safety
  Chapter 13. Summary
• Appendix A. The book’s GitHub repository
• Appendix B. Responsible AI tools
  Appendix B. Transparency notes
  Appendix B. HAX Toolkit
  Appendix B. Responsible AI Toolbox
  Appendix B. Learning Interpretability Tool (LIT)
  Appendix B. AI Fairness 360
  Appendix B. C2PA

تصاویر دوره

نمونه فیلم دوره

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 246 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

2.2 گیگابایت