دوره آموزشی LLaMa برای توسعه دهندگان
1 ساعت 35 دقیقهمتوسط2024-04-17
مدرسین

Denys Linkov
جزئیات دوره
در این دوره آموزشی جامع، با نحوه سفارشیسازی مدلهای هوش مصنوعی منبع باز آشنا شوید و یاد بگیرید که چگونه یکی از رایجترین مدلهای منبع باز، LLaMa (مدل زبان بزرگ از متا هوش مصنوعی) را برای نیازهای خاص خود تطبیق دهید. این دوره توسط دنیس لینکوف، یک متخصص هوش مصنوعی و مدرس باتجربه، ارائه میشود که به شما رویکردی عملی و دقیق برای کار با LLaMa را معرفی میکند.
در این دوره، دنیس به بررسی عمیق معماری LLaMa میپردازد و شما را با روشهای راهاندازی و استقرار این مدل آشنا میسازد. او به تفصیل مراحل مختلف آموزش مدلهای LLaMa را توضیح میدهد و به شما یاد میدهد که چگونه این مدلها را بهینهسازی کنید تا بهترین عملکرد را برای موارد استفاده خود به دست آورید. همچنین، دنیس لینکوف با استفاده از مجموعهای از نوتبوکهای پایتون به شما نشان میدهد که چگونه از این ابزارها برای سفارشیسازی LLaMa استفاده کنید.
شما در این دوره یاد میگیرید که چگونه مدل LLaMa را در یک محیط سازمانی به کار ببرید، چطور آن را برای نیازهای خاص کسبوکار خود تنظیم کنید، و چگونه از قابلیتهای قدرتمند این مدل برای بهبود فرآیندها و دستیابی به نتایج دقیقتر بهره ببرید. این دوره برای کسانی که علاقهمند به یادگیری نحوه استفاده از مدلهای AI منبع باز در محیطهای عملی و واقعی هستند، بسیار مفید و کاربردی خواهد بود.
در این دوره، دنیس به بررسی عمیق معماری LLaMa میپردازد و شما را با روشهای راهاندازی و استقرار این مدل آشنا میسازد. او به تفصیل مراحل مختلف آموزش مدلهای LLaMa را توضیح میدهد و به شما یاد میدهد که چگونه این مدلها را بهینهسازی کنید تا بهترین عملکرد را برای موارد استفاده خود به دست آورید. همچنین، دنیس لینکوف با استفاده از مجموعهای از نوتبوکهای پایتون به شما نشان میدهد که چگونه از این ابزارها برای سفارشیسازی LLaMa استفاده کنید.
شما در این دوره یاد میگیرید که چگونه مدل LLaMa را در یک محیط سازمانی به کار ببرید، چطور آن را برای نیازهای خاص کسبوکار خود تنظیم کنید، و چگونه از قابلیتهای قدرتمند این مدل برای بهبود فرآیندها و دستیابی به نتایج دقیقتر بهره ببرید. این دوره برای کسانی که علاقهمند به یادگیری نحوه استفاده از مدلهای AI منبع باز در محیطهای عملی و واقعی هستند، بسیار مفید و کاربردی خواهد بود.
مهارت ها
LlamaNatural Language Processing (NLP)MetaProgramming FoundationsGenerative AIArtificial Intelligence (AI)Software DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - توسعه مدلهای هوش مصنوعی با استفاده از LLaMA
1. مقدمه ای بر LLaMA
- 02 - استفاده از LLaMA به صورت آنلاین
- 03 - اجرای LLaMA در یک نوت بوک
- 04 - دسترسی به LLaMA در محیط سازمانی
2. معماری LLaMA
- 05 - معماری LLaMA
- 06 - توکنایزر LLaMA
- 07 - پنجره زمینه LLaMA
- 08 - تفاوت بین LLaMA 1 و 2
3. تنظیم دقیق LLaMA
- 09 - تنظیم دقیق LLaMA با چند مثال
- 10 - تنظیم دقیق LLaMA و لایههای انجماد
- 11 - تنظیم دقیق با LLaMA با استفاده از LoRa
- 12 - یادگیری تقویتی با RLHF و DPO
- 13 - مدلهای بزرگتر LLaMA را تنظیم دقیق کنید
4. خدمت به LLaMA
- 14 - منابع مورد نیاز برای خدمت به LLaMA
- 15 - کوانتیزاسیون LLaMA
- 16 - استفاده از TGI برای سرویس LLaMA
- 17 - استفاده از VLLM برای سرویس LLaMA
- 18 - استفاده از DeepSpeed برای سرویس LLaMA
- 19 - توضیح LoRA و SLoRA
- 20 - استفاده از فروشنده برای سرویس دهی LLaMA
5. تحریک LLaMA
- 21 - تفاوت LLaMA با LLMهای تجاری
- 22 - آموزش چند شات با LLaMA
- 23 - زنجیره فکری با LLaMA
- 24 - استفاده از طرحوارهها با LLaMA
- 25 - بهینهسازی درخواستهای LLaMA با DSPy
- 26 - چالش - تولید برچسب محصول
- 27 - راه حل - تولید برچسب محصول
نتیجه
- 28 - به سفر توسعه مدل LlaMA AI خود ادامه دهید