1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – Introduction to Large Language Models (LLMs) In Python 2023-9
Introduction to Large Language Models (LLMs) In Python

Udemy – Introduction to Large Language Models (LLMs) In Python 2023-9

توضیحات

دوره Introduction to Large Language Models (LLMs) In Python. مقدمه ای بر مدل های زبان بزرگ (LLM) در پایتون.” با تمرکز بر چارچوب های LLM مانند OpenAI، LangChain و LLMA-Index، این دوره به شما این امکان را می دهد تا دستیار مجازی خواندن اسناد خود را بسازید. چه در اجرای LLM تازه کار باشید و چه به دنبال پیشرفت مهارت های هوش مصنوعی خود هستید، این دوره فرصتی ارزشمند برای کشف زمینه های پیشرفته هوش مصنوعی ارائه می دهد. نکات برجسته دوره :

– محیط پایتون مبتنی بر ابر: از قدرت Saturn Cloud، یک محیط پایتون مبتنی بر ابر، برای اجرای پیاده‌سازی‌های قوی LLM استفاده کنید.

– تجزیه و تحلیل عملی متن: یادگیری پیاده سازی تکنیک های ضروری پردازش زبان طبیعی (NLP)، از جمله شناسایی موجودیت و استخراج کلمه کلیدی، برای ساختارشکنی اسناد متنی

– استفاده از چارچوب‌های LLM: تکنیک‌های استاندارد برای چارچوب‌های LLM، از جمله LangChain، OpenAI و LLAMA-Index را برای جمع‌بندی انتزاعی و پرس‌وجو کشف کنید.

با ثبت نام در این دوره، سفری را آغاز می کنید تا در استفاده از پتانسیل داده های متنی با مدل های زبان بزرگ (LLM) متخصص شوید. با توجه به دیدگاه مربی با تجربه ما، که دارای مدرک کارشناسی ارشد از دانشگاه آکسفورد و دکترای مبتنی بر داده از دانشگاه کمبریج است، راهنمایی لازم برای پیمایش پیچیدگی های اجرای LLM را دریافت خواهید کرد. فراتر از محتوای دوره، شما از پشتیبانی مستمر بهره مند خواهید شد و تضمین می کند که حداکثر ارزش را از سرمایه گذاری خود استخراج می کنید. به جامعه یادگیرندگان ما بپیوندید، خود را در تجزیه و تحلیل LLM غوطه ور کنید و تخصص خود را در هوش مصنوعی و علم داده ارتقا دهید.

آنچه که در دوره Introduction to Large Language Models (LLMs) In Python فرا خواهید گرفت

  • کار با نوت‌بوک‌های Jupyter را در یک اکوسیستم ابری کاملاً جدید – Saturn Cloud یاد بگیرید
  • در چندین فایل PDF در پایتون بخوانید
  • پیاده سازی تکنیک های رایج پردازش زبان طبیعی (NLP) از جمله شناسایی موجودیت و استخراج کلمه کلیدی
  • با چارچوب های رایج مدل زبان بزرگ (LLM) از جمله LangChain آشنا شوید
  • چارچوب های LLM را برای جمع بندی انتزاعی و پاسخ به سؤالات پیاده سازی کنید

این دوره مناسب افرادیست که

  • دانش آموزانی که قبلاً در معرض تجزیه و تحلیل NLP قرار داشتند
  • کسانی که علاقه مند به استفاده از چارچوب های LLM برای یادگیری بیشتر در مورد متون خود هستند
  • دانشجویان و شاغلین هوش مصنوعی (AI)

مشخصات دوره Introduction to Large Language Models (LLMs) In Python

  • ناشر: Udemy
  • مدرس: Minerva Singh
  • سطح آموزش: مبتدی تا پیشرفته
  • مدت زمان آموزش: 2 ساعت و 45 دقیقه
  • تعداد دروس: 31

سرفصل های دوره

 Introduction to Large Language Models (LLMs) In Python

پیشنیازهای دوره Introduction to Large Language Models (LLMs) In Python

  • Prior experience of using Jupyter notebooks
  • Prior exposure to Natural Language Processing (NLP) concepts will be helpful but not compulsory
  • An interest in using Large Language Models (LLMs) for your own documents

تصاویر دوره

Introduction to Large Language Models (LLMs) In Python

نمونه فیلم دوره

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: ندارد

کیفیت: 720p

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 150 مگابایت

گذرواژه فایل(ها): www.downloadly.ir


حجم فایل

1.1 گیگابایت

رتبه دهید

محاسبه حجم دانلود برای ایرانسل به‌صورت تمام‌بها است.

Download Faster Without Limitation

The data center of free servers has applied a non-Iranian IP restriction on some servers
There is no limitation for VIP servers

برچسب ها:

1 دیدگاه. همین الان خارج شوید

  • رضا کریمی
    13 فروردین 1403 14:21
    Google Chrome 123.0.0.0 Google Chrome 123.0.0.0 Android 10 Android 10
    در مورد: Udemy – Introduction to Large Language Models (LLMs) In Python 2023-9

    پیشنهاد نمیکنم، خوب توضیح نمیده، فقط از رو کد های نوشته شده از قبل دوباره مینویسه

    پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این قسمت نباید خالی باشد
این قسمت نباید خالی باشد
لطفاً یک نشانی ایمیل معتبر بنویسید.
فقط دیدگاه‌هایی که جنبه‌ی استفاده‌ی عمومی دارد، نمایش داده می‌شود؛ درصورت تمایل به دریافت نتیجه‌ی رسیدگیِ دیدگاه خود، ایمیل معتبر وارد کنید.

فهرست