تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی مدل‌های زبان بزرگ در AWS: ساخت و استقرار مدل‌های زبان بزرگ متن‌باز

دوره آموزشی مدل‌های زبان بزرگ در AWS: ساخت و استقرار مدل‌های زبان بزرگ متن‌باز

35 دقیقهمتوسط2025-01-16

مدرسین

Noah Gift

Noah Gift

MLOps Expert | Solopreneur | Author | Adjunct Professor | CTO

Pragmatic AI Labs

Pragmatic AI Labs

جزئیات دوره

در این دوره، نوآ گیفت، کارشناس MLOps، به بررسی دنیای مدل‌های زبان بزرگ (LLM) منبع‌باز در AWS می‌پردازد. در این دوره، شما با ابزارهای ضروری آشنا می‌شوید، از جمله نحوه بهینه‌سازی و کامپایل LLM‌ها مانند llama.cpp. همچنین، مفاهیم قانون آمداهل برای وظایف محاسباتی شما بررسی خواهد شد و دموهای عملی با استفاده از فرمت فایل GGUF ارائه می‌شود. در این دوره با اسکریپت‌نویسی Python UV و بسته‌بندی آن‌ها برای بیشینه کردن عملکرد و کارایی مدل‌ها آشنا خواهید شد. مفاهیم کلیدی در llama.cpp از طریق راهنمایی‌های دقیق و همچنین دموهای کامل از مدل‌های کمی‌شده روی AWS G5 instances بررسی می‌شود. شما دانش عملی و تجربه‌های عملی به دست خواهید آورد که می‌توانید به طور مستقیم در پروژه‌های خود استفاده کنید. در پایان این دوره، قادر خواهید بود به طور مؤثر از LLM‌های منبع‌باز در AWS استفاده کرده و آن‌ها را بهینه‌سازی کنید و کاربردهای هوش مصنوعی خود را کارآمدتر و قدرتمندتر سازید.

اهداف یادگیری:
آشنایی با ابزارهای ضروری برای بهینه‌سازی و کامپایل LLM‌ها مانند llama.cpp.
درک قانون آمداهل و کاربرد آن در محاسبات.
یادگیری نحوه استفاده از فرمت GGUF برای بهینه‌سازی مدل‌ها.
استفاده از اسکریپت‌نویسی Python UV برای بهبود کارایی مدل‌ها.
درک عمیق از llama.cpp و کاربرد آن در مدل‌های کمی‌شده.
پیاده‌سازی و بهینه‌سازی مدل‌های زبان بزرگ منبع‌باز در AWS G5 instances.

مهارت ها

Amazon BedrockCross-Platform DevelopmentNatural Language Processing (NLP)Mobile DevelopmentAmazon Web Services (AWS)AmazonCloud ServicesCloud PlatformsArtificial Intelligence (AI)Cloud ComputingOne-Off

سرفصل ها

0. مقدمه

  • 01 - معرفی LLM‌های منبع باز در AWS

منبع باز LLM Toolchain و بهینه سازی

  • 02 - پیامدهای قانون امدال - گذری
  • 03 - کامپایل دمو llama.cpp
  • 04 - فرمت فایل GGUF
  • 05 - برنامه نویسی Python UV
  • 06 - بررسی اجمالی بسته بندی UV پایتون
  • 07 - مفاهیم کلیدی در بررسی llama.cpp
  • 08 - GGUF نسخه نمایشی llama.cpp quantized end-to-end
  • 09 - Llama.cpp در نسخه ی نمایشی AWS G5

نتیجه گیری

  • 10 - خلاصه

دوره های مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal