Udemy – LLM Apps: Prototyping, Model Evaluation, and Improvements 2025-3

در تاریخ: 1404/08/15 8:22:04

توضیحات

دوره LLM Apps: Prototyping, Model Evaluation, and Improvements. این دوره آموزشی به شرکت‌کنندگان می‌آموزد که چگونه برنامه‌های کاربردی مبتنی بر مدل‌های زبانی بزرگ را از مرحله نمونه‌سازی اولیه تا ارزیابی عملکرد و بهینه‌سازی توسعه دهند. این دوره با هدف آزادسازی پتانسیل کامل این مدل‌ها، بر درک مفاهیم نمونه‌سازی اولیه، ارزیابی و معیارسنجی تمرکز دارد. شرکت‌کنندگان مراحل کامل توسعه، از ساخت و انتخاب مدل‌ها تا تنظیم دقیق، آزمایش و معیارسنجی با استفاده از ابزارهای استاندارد صنعتی را می‌آموزند. مباحث شامل راه‌اندازی محیط توسعه با پایتون و VS Code، درک اصول هوش مصنوعی و یادگیری ماشین، و انتخاب مدل مناسب برای کاربردهای مختلف مانند پردازش زبان طبیعی و بینایی کامپیوتر است. همچنین استفاده از فناوری‌هایی مانند بازیابی و تولید افزوده برای بهبود دقت خروجی‌ها، کار با پلتفرم Hugging Face، و بهینه‌سازی مدل‌ها از طریق تنظیم هایپرپارامترها پوشش داده می‌شود. دوره شامل تکنیک‌های پیشرفته مانند اعتبارسنجی متقابل برای جلوگیری از بیش‌برازش و معیارسنجی مدل‌ها با استانداردهایی مانند GLUE و CIFAR-10 است. شرکت‌کنندگان با تجزیه و تحلیل ماتریس سردرگمی و معیارهایی مانند دقت و امتیاز F1 برای ارزیابی عملکرد مدل‌های طبقه‌بندی آشنا شده و با چارچوب‌های عامل‌محور مانند Autogen و Flowise AI کار می‌کنند. این دوره مهارت‌های لازم برای ساخت برنامه‌های کاربردی هوش مصنوعی کارآمد و قدرتمند را فراهم می‌کند.

آنچه فرا خواهید گرفت

فهم تکنولوژی (Technology) و چشم‌انداز برنامه‌های کاربردی (Apps) مبتنی بر LLM.
دانستن زمان مناسب برای استفاده از GEN AI (هوش مصنوعی مولد) و زمان مناسب برای استفاده از Weak AI (هوش مصنوعی ضعیف).
نصب و راه‌اندازی ابزارهای مورد نیاز برای یکپارچه‌سازی هوش مصنوعی با برنامه‌های کاربردی استاندارد (Standard APP).
دریافت مبانی هوش مصنوعی در ماژول “مقدمه‌ای بر AI”.
مروری بر انواع یادگیری ماشین (Machine Learning Types).
آشنایی با چرخه حیات دیتا (Data Lifecycle) – نحوه تکامل دیتا (Data) با مدل ML شما.
آشنایی با چرخه حیات مدل بنیادین (Foundation Model lifecycle).
تنظیم دقیق (Fine Tunning) مدل‌ها از طریق دیتا (Data).
تنظیم دقیق (Fine Tunning) مدل‌ها از طریق پرامپت (Prompt).
تنظیم دقیق (Fine Tunning) مدل‌ها از طریق هایپرپارامتر (Hyperparameter).
استفاده از مدل‌های Huggingface برای کار.
آشنایی با فریمورک‌های عامل‌محور (Agentic Frameworks) مانند Autogen، Browser User و Flowise AI.
درک RAG و نحوه ارزیابی آن.
ارزیابی LLM با استفاده از فریمورک استانداردسازی RAGAs.
فهم ماتریس سردرگمی (Confusion Matrix) شامل دقت (accuracy)، فراخوان (Recall) و امتیاز F1 (F1 score).
آشنایی با فریمورک استانداردسازی GLUE.
آموزش مجدد (Retrain) و تنظیم دقیق (fine tune) یک مدل بینایی کامپیوتر (computer Vision model).

این دوره مناسب افرادیست که

علاقه‌مندان به هوش مصنوعی که مشتاق به ورود به نمونه‌سازی اولیه و ارزیابی LLM هستند.
توسعه‌دهندگان که به دنبال ساخت و اصلاح مدل‌های هوش مصنوعی پیشرفته هستند.
دانشمندان داده که می‌خواهند عملکرد هوش مصنوعی را با اطمینان معیارسنجی کنند.
هر فردی که علاقه‌مند به درک تکنیک‌های ارزیابی مدل هوش مصنوعی است.
هر مهندس نرم‌افزاری.
توسعه‌دهندگان.
مهندسان هوش مصنوعی.
مدیران پروژه.
مالکان محصول (Product Owners).
مهندسان تست هوش مصنوعی.