Udemy – LLM Fine-Tuning with Hugging Face: LoRA, QLoRA, PEFT 2026-6

در تاریخ: 1405/04/06 6:27:39

توضیحات

LLM Fine-Tuning with Hugging Face: LoRA, QLoRA, PEFT، دوره آموزش بهینه‌سازی مدل‌های زبانی بزرگ با Hugging Face: شامل LoRA، QLoRA، PEFT توسط آکادمی Udemy منتشر شده است.به دوره جامع و پروژه‌محور آموزش فاین‌تیون (بهینه‌سازی) مدل‌های زبانی بزرگ (LLM) و ترنسفورمرهای Hugging Face برای کاربردهای دنیای واقعی هوش مصنوعی، بینایی ماشین و پردازش صوتی خوش آمدید. این راهنمای کامل از مبانی کتابخانه Hugging Face، از جمله پایپ‌لاین‌ها، چک‌پوینت‌ها، دیتاست‌ها و کلاس‌های خودکار شروع می‌شود و سپس به معماری اصلی مدل‌های ترنسفورمر مانند مکانیزم‌های توجه، بخش‌های رمزگذار-رمزگشا (Encoder-Decoder)، خودتوجهی و کدگذاری موقعیتی می‌پردازد. شما درک عمیقی از معماری BERT کسب خواهید کرد و یاد می‌گیرید که مدل‌سازی زبان ماسک‌شده (MLM)، پیش‌بینی جمله بعدی (NSP) و فرآیند بهینه‌سازی آن برای کارهای پردازش زبان طبیعی (NLP) چگونه کار می‌کنند.

در طول این دوره، شما در پروژه‌های عملی متعددی به بهینه‌سازی مدل‌های ترنسفورمر برای کارهای واقعی مانند تحلیل حس، تشخیص اخبار جعلی، تشخیص موجودیت‌های نام‌گذاری شده (NER)، خلاصه‌سازی متن و طبقه‌بندی تصاویر با Vision Transformers خواهید پرداخت. همچنین مفاهیم تقطیر دانش (Knowledge Distillation) را با استفاده از DistilBERT، MobileBERT و TinyBERT برای ساخت مدل‌های سریع‌تر و سبک‌تر بررسی خواهید کرد و به تکنیک‌های بهینه‌سازی پارامتر-کارآمد (PEFT) شامل LoRA، QLoRA و کوانتایزیشن 4 بیتی روی دیتاست‌های سفارشی با مدل‌هایی چون Phi-2 و LLaMA مسلط خواهید شد. علاوه بر این، مباحث پیشرفته هوش مصنوعی صوتی با Qwen3-TTS برای کلون‌سازی صدا، کنترل احساسات و پیاده‌سازی Whisper پوشش داده شده است تا مهارت کامل برای استقرار مدل‌های مدرن را به دست آورید.

آنچه خواهید آموخت

درک ترنسفورمرهای Hugging Face و نحوه عملکرد مدل‌های ترنسفورمر در کاربردهای پردازش زبان طبیعی (NLP) و هوش مصنوعی مولد.
استفاده از پایپ‌لاین‌ها، چک‌پوینت‌ها، دیتاست‌ها، توکنایزرها، کلاس‌های خودکار و فضاهای Hugging Face برای پروژه‌های عملی هوش مصنوعی.
یادگیری معماری ترنسفورمر شامل مکانیزم توجه، برداری‌های QKV، بلوک‌های رمزگذار-رمزگشا و کدگذاری موقعیتی.
بهینه‌سازی (فاین‌تیون) ترنسفورمرها برای طبقه‌بندی متن، سیستم‌های پاسخ به سوالات، خلاصه‌سازی متن و ترجمه ماشینی.
درک معماری BERT، مدل‌سازی زبان ماسک‌شده، پیش‌بینی جمله بعدی و بهینه‌سازی مدل BERT.
بهینه‌سازی مدل BERT برای تحلیل حس چندکلاسه و ساخت یک برنامه Streamlit برای پیش‌بینی‌های آنی.
بهینه‌سازی مدل‌های DistilBERT، MobileBERT و TinyBERT برای تشخیص اخبار جعلی و ارزیابی عملکرد آن‌ها.
بهینه‌سازی مدل‌های ترنسفورمر برای سیستم‌های شناسایی موجودیت‌های نام‌گذاری شده (NER)، خلاصه‌سازی متن، طبقه‌بندی تصاویر و کارهای سفارشی NLP.
یادگیری متدهای PEFT، LoRA، QLoRA، کوانتایزیشن 4 بیتی و بهینه‌سازی مدل‌های زبانی بزرگ روی دیتاست‌های سفارشی.
بهینه‌سازی مدل‌های چت به سبک LLaMA و مدل‌های صوتی Qwen3-TTS برای شبیه‌سازی صدا و تولید صوتی سفارشی.

این دوره برای چه کسانی مناسب است

توسعه‌دهندگان پایتون که می‌خواهند ترنسفورمرهای Hugging Face، کارهای NLP و بهینه‌سازی LLM را از طریق پروژه‌های عملی یاد بگیرند.
دانشمندان داده و مهندسان یادگیری ماشین که می‌خواهند مدل‌های BERT، T5، ViT، LLaMA و سایر مدل‌ها را بهینه‌سازی کنند.
مهندسان NLP که می‌خواهند پروژه‌های ترنسفورمر دنیای واقعی برای طبقه‌بندی، شناسایی موجودیت‌ها، خلاصه‌سازی و تولید متن بسازند.
مهندسان هوش مصنوعی که می‌خواهند متدهای PEFT، LoRA، QLoRA، بهینه‌سازی سفارشی LLM و گردش کارهای تنظیم دستورالعمل را یاد بگیرند.
دانشجویان و پژوهشگرانی که می‌خواهند معماری ترنسفورمر، مدل BERT، تقطیر دانش و آموزش مدل‌های زبانی بزرگ را درک کنند.
فراگیران هوش مصنوعی مولد که مایلند بهینه‌سازی مدل‌های متنی، بینایی و صوتی را با استفاده از Hugging Face بررسی کنند.

مشخصات دوره LLM Fine-Tuning with Hugging Face: LoRA, QLoRA, PEFT

ناشر : Udemy
مدرس : KGP Talkie | Laxmi Kant
زبان: انگلیسی
سطح آموزش: متوسط
تعداد دروس: 183
مدت زمان آموزش: 20 ساعت و 25 دقیقه

سر فصل های دوره LLM Fine-Tuning with Hugging Face: LoRA, QLoRA, PEFT

LLM Fine-Tuning with Hugging Face: LoRA, QLoRA, PEFT

پیش نیاز های دوره

Basic Python programming knowledge is required to follow the coding projects and fine-tuning notebooks.
Basic understanding of machine learning or deep learning will be helpful but not strictly required.
Basic NLP knowledge is useful, but important concepts are explained step by step in the course.
A computer with internet access is required. Google Colab or a GPU machine is recommended for training.
No prior Hugging Face experience is needed. You will learn Transformers and fine-tuning from the basics.