دوره «هوش مصنوعی مولد با مدل‌های زبانی بزرگ (LLM)» در AMIR ACADEMY یک برنامه آموزشی جامع، پروژه‌محور و به‌روز است که شما را از درک مفاهیم پایه تا پیاده‌سازی سیستم‌های پیشرفته هوش مصنوعی همراهی می‌کند. در این دوره، با فناوری‌هایی آشنا می‌شوید که هسته اصلی ابزارهای قدرتمندی مانند ChatGPT، Gemini و Grok را تشکیل می‌دهند—مدل‌هایی که امروزه در تولید محتوا، پاسخ‌گویی هوشمند، ترجمه، خلاصه‌سازی، تحلیل داده و حتی برنامه‌نویسی خودکار نقش کلیدی دارند. در ابتدای مسیر، مفاهیم بنیادی مانند پردازش زبان طبیعی (NLP)، توکن‌سازی، معماری ترنسفورمر و مکانیزم Attention را به‌صورت دقیق و کاربردی یاد می‌گیرید. سپس وارد بخش‌های عملی‌تر می‌شوید و فرآیند کامل توسعه مدل‌های زبانی را از مرحله پیش‌تمرین (Pretraining) تا ریزتنظیم (Fine-tuning) به‌صورت گام‌به‌گام بررسی می‌کنید. در ادامه، مباحث پیشرفته و ترند روز دنیا مانند Instruction Tuning، یادگیری تقویتی از بازخورد انسانی (RLHF)، و روش‌های مدرن‌تری مثل DPO و GRPO را نه‌تنها به‌صورت تئوری، بلکه با پیاده‌سازی عملی یاد خواهید گرفت. یکی از نقاط قوت این دوره، ساختار کاملاً پروژه‌محور آن است. شما به بیش از ۱۵ نوت‌بوک آموزشی دسترسی خواهید داشت که شامل مثال‌های واقعی، کدهای قابل اجرا و سناریوهای کاربردی (از جمله پروژه‌هایی به زبان فارسی) هستند. این رویکرد باعث می‌شود مفاهیم را عمیق‌تر درک کرده و مهارت‌های واقعی برای ورود به بازار کار یا اجرای پروژه‌های شخصی کسب کنید. پیش‌نیاز شرکت در این دوره، آشنایی مقدماتی با زبان پایتون و مفاهیم پایه یادگیری ماشین و شبکه‌های عصبی است. همچنین آشنایی با ابزارهایی مانند PyTorch یا TensorFlow می‌تواند مسیر یادگیری را برای شما هموارتر کند، اما الزامی نیست. این دوره برای دانشجویان، مهندسان نرم‌افزار، پژوهشگران، علاقه‌مندان به هوش مصنوعی و توسعه‌دهندگان حوزه NLP طراحی شده است و می‌تواند نقطه شروعی قدرتمند برای ورود حرفه‌ای به دنیای مدل‌های زبانی بزرگ و ساخت سیستم‌های هوشمند در مقیاس واقعی باشد.

شرکت‌کنندگان این دوره بهتر است با زبان پایتون و مفاهیم پایه یادگیری ماشین (مانند مدل‌سازی، آموزش و ارزیابی) آشنایی داشته باشند. تجربه کار با فریم‌ورک‌هایی مانند PyTorch یا TensorFlow مزیت محسوب می‌شود، اما برای شرکت در دوره ضروری نیست.

آنلاین

آشنایی با Hugging face هوش مصنوعی مولد و مدلهای زبانی بزرگ موارد استفاده و وظایف نحوه کار مدل‌های زبانی بزرگ - معماری ترنسفورمرها ترنسفورمرها تولید متن با ترنسفورمرها پرامپت (پرسش‌دهی) و مهندسی پرامپ پارامترهای پیکربندی تولیدی برای استنتاج شروع کار با LLM در Google Colab: از Hugging Face تا آماده‌سازی دیتاست مفهوم Tokenization و اجرای Zero-Shot با LLMs پروژه خلاصه‌سازی در پایتون: از Zero تا Few-Shot با LLM و In-Context Learning چرخه حیات پروژه هوش مصنوعی مولد پیش‌آموزش LLM و قوانین مقیاس‌پذیری ملاحظات برای انتخاب مدل معماری‌های مدل و اهداف پیش‌آموزش مدلهای فقط خودرمزگذار مدلهای فقط رمزگشا مدل‌های توالی به توالی (مدلهای رمزگذار-رمزگشا) رابطه اندازه مدل و دقت چالش‌های محاسباتی و کوانتیزیشن استراتژی‌های محاسباتی کارآمد با چند پزدازنده گرافیکی (DDP) استراتژی‌های محاسباتی کارآمد با چند پردازنده گرافیکی (FSDP) قوانین مقیاس‌پذیری و مدل‌های بهینه از نظر محاسباتی قانون Chinchilla و استثناها: نقش اندازه مدل و داده در عملکرد پیش‌آموزش برای انطباق دامنه تنظیم دقیق (Fine-tuning) مدل‌های LLM با دستورالعمل‌ها و ارزیابی آن‌ها تنظیم دقیق یک LLM با استفاده از دستورالعمل‌های پرامپت fine-tune کردن روی یک وظیفه‌ی خاص fine-tuning چندوظیفه‌ای و دستوری معیارهای ارزیابی مدل‌های زبانی ROUGE معیارهای ارزیابی مدل BLEU بنچمارک‌ها در ارزیابی مدل‌های زبان بزرگ (LLM) وظایف Close-ended و بنچمارک‌ها ارزیابی وظایف Open-ended با معیارهای مبتنی بر مدل ارزیابی انسانی، چالش‌ها و معیارهای ارزیابی بدون مرجع برای LLM‌ها خودارزیابی مدل‌های زبان بزرگ (LLM) با AlpacaEval : کاهش هزینه‌های ارزیابی فاین‌تیون کردن کارآمد پارامترها (PEFT) آشنایی با PEFT: روش‌های تنظیم دقیق کارآمد پارامترها بازخورد انسانی و الگوریتم‌های پیشرفته یادگیری تقویتی بهینه‌سازی مدل‌ها برای استقرار (Deploy) ساخت اپلیکیشن‌های هوشمند با LLM