Buckets:
| # خلاصه[[summary]] | |
| <CourseFloatingBanner | |
| chapter={1} | |
| classNames="absolute z-10 right-0 top-0" | |
| /> | |
| در این فصل با مبانی مدلهای ترنسفورمر، مدلهای زبانی بزرگ (LLMها) و نحوهی متحول کردن هوش مصنوعی و فراتر از آن توسط این مدلها آشنا شدید. | |
| ## مفاهیم کلیدی پوششدادهشده | |
| ### پردازش زبان طبیعی و LLMها | |
| بررسی کردیم NLP چیست و مدلهای زبانی بزرگ چگونه این حوزه را متحول کردهاند. آموختید که: | |
| - NLP طیف گستردهای از وظایف، از دستهبندی تا تولید، را در بر میگیرد. | |
| - LLMها مدلهای قدرتمندی هستند که با مقدار بسیار زیادی دادهی متنی تعلیم داده شدهاند. | |
| - این مدلها میتوانند چندین وظیفه را در یک معماری واحد انجام دهند. | |
| - LLMها با وجود قابلیتهایشان محدودیتهایی، از جمله توهم و سوگیری، دارند. | |
| ### قابلیتهای ترنسفورمر | |
| دیدید که تابع `pipeline()` از 🤗 Transformers استفاده از مدلهای از پیش تعلیمدیده را برای وظایف مختلف آسان میکند: | |
| - دستهبندی متن، دستهبندی توکِن و پاسخگویی به پرسش | |
| - تولید متن و خلاصهسازی | |
| - ترجمه و دیگر وظایف دنبالهبهدنباله | |
| - تشخیص گفتار و دستهبندی تصویر | |
| ### معماری ترنسفورمر | |
| در سطحی کلی دربارهی نحوهی کار مدلهای ترنسفورمر صحبت کردیم، از جمله: | |
| - اهمیت سازوکار توجه | |
| - اینکه یادگیری انتقالی چگونه مدلها را قادر میکند خود را با وظایف مشخص سازگار کنند | |
| - سه گونهی اصلی معماری: فقط انکودر، فقط دیکودر و انکودر-دیکودر | |
| ### معماریهای مدل و کاربردهای آنها | |
| یکی از جنبههای کلیدی این فصل، درک معماری مناسب برای وظایف مختلف بود: | |
| | مدل | نمونهها | وظایف | | |
| |-----------------|--------------------------------------------|----------------------------------------------------------------------------------| | |
| | فقط انکودر | BERT، DistilBERT، ModernBERT | دستهبندی جمله، تشخیص موجودیت نامدار، پاسخگویی استخراجی به پرسش | | |
| | فقط دیکودر | GPT، LLaMA، Gemma، SmolLM | تولید متن، هوش مصنوعی محاورهای، نویسندگی خلاقانه | | |
| | انکودر-دیکودر | BART، T5، Marian، mBART | خلاصهسازی، ترجمه، پاسخگویی مولد به پرسش | | |
| ### پیشرفتهای جدید LLMها | |
| همچنین با پیشرفتهای اخیر این حوزه آشنا شدید: | |
| - اینکه LLMها با گذشت زمان از نظر اندازه و قابلیت رشد کردهاند. | |
| - مفهوم قوانین مقیاسپذیری و اینکه این قوانین چگونه توسعهی مدل را هدایت میکنند. | |
| - سازوکارهای توجه تخصصی که به مدلها کمک میکنند توالیهای طولانیتر را پردازش کنند. | |
| - رویکرد دومرحلهای تعلیم، شامل پیشتعلیم و کوک کردن دستوری. | |
| ### کاربردهای عملی | |
| در سراسر فصل دیدید که چگونه میتوان این مدلها را برای مسائل دنیای واقعی به کار برد: | |
| - استفاده از هاب هاگینگفِیس برای پیدا کردن و استفاده از مدلهای از پیش تعلیمدیده | |
| - استفاده از Inference API برای آزمایش مستقیم مدلها در مرورگر | |
| - درک اینکه کدام مدلها برای وظایف مشخص مناسبترند | |
| ## نگاهی به آینده | |
| حالا که درک خوبی از مدلهای ترنسفورمر و نحوهی کار آنها در سطحی کلی دارید، آمادهاید عمیقتر با روش استفادهی مؤثر از آنها آشنا شوید. در فصلهای بعدی یاد میگیرید که چگونه: | |
| - از کتابخانهی Transformers برای بارگذاری و کوک کردن مدلها استفاده کنید. | |
| - انواع مختلف داده را برای ورود به مدل پردازش کنید. | |
| - مدلهای از پیش تعلیمدیده را با وظایف مشخص خود سازگار کنید. | |
| - مدلها را برای کاربردهای عملی مستقر کنید. | |
| پایهای که در این فصل ساختهاید، هنگام بررسی موضوعات و تکنیکهای پیشرفتهتر در بخشهای آینده به شما کمک خواهد کرد. | |
Xet Storage Details
- Size:
- 5.2 kB
- Xet hash:
- e13ea8b19f2ad22ebe55fc0043818e34106b47896d48c6b5b3720baa02e99ed4
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.