تسلط بر مدل‌های زبانی بزرگ ۲۰۲۴
Mastering Large Language Models 2024

هوش مصنوعی را فقط حرف نزنید، آن را بسازید: راهنمای شما برای توسعه‌ی کاربردهای LLM

ویژگی‌های کلیدی:

● کاوش در مبانی NLP و اصول LLM، شامل ضروریات، چالش‌ها و انواع مدل‌ها.
● یادگیری تکنیک‌های مدیریت و پیش‌پردازش داده برای مدیریت کارآمد داده‌ها.
● درک کلی از شبکه‌های عصبی، شامل اصول NN، RNN، CNN و ترانسفورمرها.
● استراتژی‌ها و مثال‌هایی برای بهره‌برداری از LLM‌ها.

توضیحات:

چشم‌انداز کسب و کار خود را با توانمندی‌های چشمگیر مدل‌های زبانی بزرگ (LLM) متحول کنید. این کتاب بینش‌های عملی را در اختیار شما قرار می‌دهد و شما را در تصور، طراحی و پیاده‌سازی برنامه‌های کاربردی LLM محور مؤثر راهنمایی می‌کند.

این کتاب به بررسی اصول NLP مانند کاربردها، تکامل، اجزاء و مدل‌های زبانی می‌پردازد. پیش‌پردازش داده، شبکه‌های عصبی و معماری‌های خاصی مانند RNN، CNN و ترانسفورمرها را آموزش می‌دهد. به چالش‌های آموزش، تکنیک‌های پیشرفته‌ای مانند GAN، فرایادگیری می‌پردازد و مدل‌های LLM برتر مانند GPT-3 و BERT را معرفی می‌کند. همچنین مهندسی پرامپت (Prompt Engineering) را پوشش می‌دهد. در نهایت، برنامه‌های کاربردی LLM را به نمایش می‌گذارد و بر توسعه و استقرار مسئولانه تأکید می‌کند.

با این کتاب به عنوان قطب‌نما، در چشم‌انداز همیشه در حال تحول فناوری LLM حرکت خواهید کرد و با آخرین پیشرفت‌ها و بهترین شیوه‌های صنعت، از منحنی جلوتر خواهید ماند.

آنچه خواهید آموخت:

● درک اصول برنامه‌های کاربردی پردازش زبان طبیعی (NLP).
● کاوش در معماری‌های پیشرفته مانند ترانسفورمرها و کاربردهای آن‌ها.
● تسلط بر تکنیک‌های آموزش موثر مدل‌های زبانی بزرگ.
● پیاده‌سازی استراتژی‌های پیشرفته، مانند فرایادگیری و یادگیری خود-نظارتی.
● یادگیری مراحل عملی برای ساخت برنامه‌های کاربردی مدل زبانی سفارشی.

این کتاب برای چه کسانی مناسب است:

این کتاب برای کسانی طراحی شده است که هدفشان تسلط بر مدل‌های زبانی بزرگ است، از جمله محققان مجرب، دانشمندان داده، توسعه‌دهندگان و متخصصان پردازش زبان طبیعی (NLP).

فهرست مطالب:

1. مبانی پردازش زبان طبیعی
2. مقدمه‌ای بر مدل‌های زبانی
3. جمع‌آوری داده و پیش‌پردازش برای مدل‌سازی زبان
4. شبکه‌های عصبی در مدل‌سازی زبان
5. معماری‌های شبکه عصبی برای مدل‌سازی زبان
6. مدل‌های مبتنی بر ترانسفورمر برای مدل‌سازی زبان
7. آموزش مدل‌های زبانی بزرگ
8. تکنیک‌های پیشرفته برای مدل‌سازی زبان
9. مدل‌های زبانی بزرگ برتر
10. ساخت اولین برنامه LLM
11. کاربردهای LLM‌ها
12. ملاحظات اخلاقی
13. مهندسی پرامپت
14. آینده LLM‌ها و تأثیر آن

Do not just talk AI, build it: Your guide to LLM application development

KEY FEATURES  

● Explore NLP basics and LLM fundamentals, including essentials, challenges, and model types.

● Learn data handling and pre-processing techniques for efficient data management.

● Understand neural networks overview, including NN basics, RNNs, CNNs, and transformers.

● Strategies and examples for harnessing LLMs.

DESCRIPTION 

Transform your business landscape with the formidable prowess of large language models (LLMs).  The book provides you with practical insights, guiding you through conceiving, designing, and implementing impactful LLM-driven applications.

This book explores NLP fundamentals like applications, evolution, components and language models. It teaches data pre-processing, neural networks , and specific architectures like RNNs, CNNs, and  transformers. It tackles training challenges, advanced techniques such as GANs, meta-learning, and introduces top LLM models like GPT-3 and BERT. It also covers prompt engineering. Finally, it showcases LLM applications and emphasizes responsible development and deployment. 

With this book as your compass, you will navigate the ever-evolving landscape of LLM technology, staying ahead of the curve with the latest advancements and industry best practices.

WHAT YOU WILL LEARN

● Grasp fundamentals of natural language processing (NLP) applications.

● Explore advanced architectures like transformers and their applications.

● Master techniques for training large language models effectively.

● Implement advanced strategies, such as meta-learning and self-supervised learning.

● Learn practical steps to build custom language model applications.

WHO THIS BOOK IS FOR

This book is tailored for those aiming to master large language models, including seasoned researchers, data scientists, developers, and practitioners in natural language processing (NLP).

TABLE OF CONTENTS

1. Fundamentals of Natural Language Processing

2. Introduction to Language Models

3. Data Collection and Pre-processing for Language Modeling

4. Neural Networks in Language Modeling

5. Neural Network Architectures for Language Modeling

6. Transformer-based Models for Language Modeling

7. Training Large Language Models

8. Advanced Techniques for Language Modeling

9. Top Large Language Models

10. Building First LLM App

11. Applications of LLMs

12. Ethical Considerations

13. Prompt Engineering

14. Future of LLMs and Its Impact