فهرست نهایی منابع هوش مصنوعی مولد

بازنشر افلاطون

دنبال: 0

معرفی

ظهور مدل‌های زبان بزرگ (LLM) مانند ChatGPT انقلابی بوده است و عصر جدیدی را در نحوه تعامل ما با فناوری آغاز کرده است. این مدل‌های پیچیده، که نمونه آن ChatGPT است، نحوه تعامل ما با پلتفرم‌های دیجیتال را دوباره تعریف کرده‌اند. به آن فکر کنید – چند بار از ابزارهایی مانند ChatGPT برای نوشتن بی دردسر ایمیل استفاده کرده اید یا از هوش مصنوعی مولد برای زنده کردن عجیب ترین تصورات خود از طریق تصاویر خیره کننده استفاده کرده اید؟ این تکامل بی وقفه فناوری هوش مصنوعی مولد فقط یک پیشرفت علمی نیست. این دروازه ای به سمت امکانات خلاقانه بی پایان است که چشم انداز دیجیتالی ما را با سرعتی خیره کننده تغییر شکل می دهد. با این حال، شکاف قابل توجهی در این گردباد پیشرفت سریع وجود دارد. در حالی که ما از خروجی‌های هوش مصنوعی مولد شگفت زده می‌شویم، درک عمیق‌تر از اصول و کاربردهای عملی آن برای بسیاری مبهم باقی مانده است. این جایی است که این وبلاگ وارد می شود. معرفی یک راه حل - منابع هوش مصنوعی مولد.

من با دقت فهرستی از دوره های برتر هوش مصنوعی مولد را گردآوری کرده ام تا شما را با این دانش پیشرفته توانمند کنم. این فقط یک لیست نیست. این نقشه راه شما برای کشف جادوی پشت این ابزارهای شگفت انگیز است. چه یک یادگیرنده کنجکاو باشید، چه یک مشتاق مشتاق هوش مصنوعی، یا یک حرفه ای که به دنبال ارتقاء مجموعه مهارت های خود هستید، این دوره ها تشنگی شما برای دانش را برآورده می کند.

جدول محتوا

فهرست منابع مولد هوش مصنوعی برای شما

مرحله 1: چگونه با هوش مصنوعی Generative شروع کنید؟

اگر شما یک مبتدی برای هوش مصنوعی Generative هستید، با این دوره شروع کنید هوش مصنوعی مولد برای همه. در این دوره آموزشی هوش مصنوعی مولد، کارکرد هوش مصنوعی مولد، موارد استفاده رایج و قابلیت ها را بررسی خواهید کرد. همچنین یاد خواهید گرفت که چگونه پیام‌های مؤثر ایجاد کنید و فرصت‌ها و خطرات بالقوه‌ای را که این فناوری برای افراد، مشاغل و جامعه ایجاد می‌کند، درک کنید.

اکنون، نکته بعدی که باید یاد بگیرید نحوه استفاده از ابزارهای محبوب هوش مصنوعی مولد مانند ChatGPT، Midjourney و موارد دیگر است. در این دوره در ابزارهای مولد هوش مصنوعی، دقیقاً آن را یاد خواهید گرفت. شما اصول هوش مصنوعی مولد را درک خواهید کرد، در مورد محبوب ترین ابزارها برای تولید متن و تولید تصویر و حتی نحوه استفاده از آنها برای برنامه های مختلف مانند ویرایش تصویر، ساخت ایمیل، ایجاد محتوای بصری و موارد دیگر خواهید آموخت.

منابع اضافی مولد هوش مصنوعی

"وضعیت GPT" نوشته کارپاتی: تماشا کن
مقدمه ای ملایم بر هوش مصنوعی مولد برای مبتدیان: خوانده شده در اینجا

مرحله 2: از کجا در مورد مهندسی سریع بیاموزیم؟

هنگامی که در مورد هوش مصنوعی Generative یاد گرفتید، قدم بعدی این است که با این فناوری بازی کنید و شیفته امکانات آن شوید. بهترین راه برای انجام این کار این است که با ChatGPT سر و کله بزنید. اما آیا می‌دانستید که حتی برای بهترین بهره‌برداری از ChatGPT، باید در مورد مهندسی سریع بیاموزید؟ حالا شما بپرسید این چیست؟ خوب، این روشی است که ما با یک LLM تعامل می کنیم و به نتیجه مطلوب می رسیم.

برای یادگیری آن، می توانید با این شروع کنید دوره توسط کد آکادمی در مهندسی سریع. این کار شما را با اصول اولیه شروع می کند. اگر می‌خواهید به چیزی جزئی بپردازید، این راهنما را به شدت پیشنهاد می‌کنم مهندسی سریع، که کمتر از یک دوره نیست. اگرچه این یک راهنمای گسترده است، اما به خوبی ساختار یافته است و مهندسی سریع را به طور کامل پوشش می دهد، از جمله موضوعاتی مانند یادگیری بدون شات، یادگیری چند مرحله ای، و یادگیری زنجیره ای از فکر. همچنین نکات کلی برای طراحی اعلان‌های خوب را به شما می‌گوید که به طور موثر هر مورد استفاده را حل می‌کند.

منابع اضافی مولد هوش مصنوعی

مرحله 3: چگونه در مورد LLM یاد می گیرید؟

اکنون که با استفاده از رابط استاندارد OpenAI با ChatGPT تعامل کرده اید، وقت آن است که با استفاده از ChatGPT API به طراحی سیستم های خود بپردازید. برای آن، می توانید در این دوره در مورد آن کاوش کنید ساختن سیستم ها با ChatGPT API توسط DeepLearning.ai. در اینجا، شما یاد خواهید گرفت که وظایف پیچیده را به وظایف کوچکتر تقسیم کنید و آنها را با استفاده از دستورات حل کنید. این به شما نشان می دهد که چگونه از ابزار قدرتمندی مانند ChatGPT برای کارهای خاص خود استفاده کنید.

پس از انجام این کار، می توانید اولین برنامه مبتنی بر LLM خود را با استفاده از چارچوب LangChain در این دوره بسازید. LangChain برای توسعه برنامه LLM. LangChain یک چارچوب منبع باز برای توسعه برنامه هایی است که توسط LLM ها طراحی شده است که به ChatGPT محدود نمی شود! این امکان ایجاد برنامه های کاربردی آگاه از زمینه را با اتصال LLM ها به داده ها و ارائه ابزارهایی برای سفارشی سازی، دقت و ارتباط فراهم می کند. در این دوره آموزشی، ساختن یک اپلیکیشن LLM با استفاده از LangChain را یاد می گیرید که شما را به ساخت دستیارهای شخصی و چت بات ها عادت می دهد.

اگر LLM های استاندارد دانش استاتیک داشته باشند، و شما بخواهید آنها را متناسب با مورد خاص خود افزایش دهید، چه؟ در آن زمان است که باید از تکنیک RAG برای تقویت LLM برای ساخت برنامه خود استفاده کنید. بنابراین، RAG چیست؟ خب، RAG مخفف Retrieval Augmented Generation است. این یک استراتژی است که در آن شما دانش اضافی را از طریق یک سیستم بازیابی به LLM ارائه می دهید. این به LLM اجازه می دهد تا به سؤالات خاص تری پاسخ دهد حتی اگر در مورد آن آموزش ندیده باشد. شما می توانید در مورد RAG و موارد دیگر در این مطلب بیاموزید ساخت و ارزیابی برنامه های پیشرفته RAG درس می کند.

اکنون که یک سیستم RAG ساخته اید، متوجه می شوید که محدودیت هایی برای آن وجود دارد. به عنوان مثال، متوجه خواهید شد که همیشه نمی توانید از کل داده های بازیابی شده در یک اعلان استفاده کنید، که پاسخ LLM را محدود می کند. دیگری اثر توهم‌آور LLM است که از بین بردن آن سخت است. بنابراین، آیا بهتر نیست که مدل خود را به طور کامل تنظیم کنید و یک LLM سفارشی تر دریافت کنید؟ این چیزی است که شما پوشش خواهید داد در این دوره، جایی که در مورد تنظیم دقیق، زمان اعمال آن، نحوه آماده سازی داده ها برای تنظیم دقیق، و نحوه آموزش و ارزیابی مدل تنظیم شده خود خواهید آموخت.

منابع اضافی AI مولد

"مقدمه ای بر مدل های زبان بزرگ" نوشته کارپاتی: تماشا کن

این ویدئو یک مرور کلی مقدماتی یک ساعته در مورد LLM های مناسب برای مخاطبان عمومی ارائه می دهد که به عنوان عنصر فنی اساسی در سیستم هایی مانند ChatGPT، Claude و Bard عمل می کنند. ماهیت، مسیرهای آینده و مقایسه بین این مدل ها را خواهید فهمید.

«راهنمای یک هکر برای مدل‌های زبان» نوشته جرمی هوارد: تماشا کن

در این ویدئوی روشنگر، جرمی هوارد، یکی از بنیانگذاران fast.ai، کاوش جامعی از مدل های زبان ارائه می دهد. این ویدئو شامل ارزیابی های انتقادی از GPT-4، برنامه های کاربردی در نوشتن کد و تجزیه و تحلیل داده ها، و نکات عملی برای استفاده از OpenAI API است.

«دریافتن دنیای عجیب و غریب LLM» اثر سایمون ویلیسون: خوانده شده در اینجا

این وبلاگ، ملزومات مدل های زبان را پوشش می دهد، تعریف، عملکرد و جدول زمانی مختصر توسعه LLM را بررسی می کند. مدل های برتر LLM را شناسایی می کند و نکات عملی از جمله استفاده از آنها برای کدنویسی ارائه می دهد. این وبلاگ همچنین یک نمای کلی از نحوه آموزش LLM به شما ارائه می دهد.

مدل های زبان بزرگ (LLM) توسط Analytics Vidhya چیست؟ اینجا را بخوانید

این وبلاگ به بررسی مدل های زبان بزرگ (LLM) می پردازد و در ساخت و عملکرد آنها تحقیق می کند. معماری کلی آنها را پوشش می دهد، مثال هایی ارائه می دهد، LLM های منبع باز مانند Bloom را مورد بحث قرار می دهد، API های Hugging Face را بررسی می کند، و برنامه های کاربردی را از طریق مثال ارائه می دهد.

مرحله 4: در مورد RLHF چطور؟

حتما نام RLHF را شنیده اید. RLHF مخفف عبارت Reinforcement Learning from Human Feedback است. این یک تکنیک یادگیری ماشینی است که یک "مدل پاداش" را مستقیماً از بازخورد انسان آموزش می دهد و از مدل به عنوان پاداش برای بهینه سازی عملکرد یک عامل هوش مصنوعی از طریق تقویت استفاده می کند. اکنون در این دوره آموزشی با RLHF آشنا شوید DeepLearning.ai، جایی که دانش RLHF را به دست می آورید، یک LLM را با RLHF تنظیم می کنید و در نهایت ارزیابی آن را یاد می گیرید.

افزودن منابع مولد هوش مصنوعی

مرحله 5: از کجا در مورد مدل های انتشار یاد می گیرید؟

اکنون، هوش مصنوعی مولد همه چیز مربوط به LLM ها نیست. اگر می خواهید در مورد تولید تصویر با استفاده از هوش مصنوعی مولد بیاموزید، باید در مورد مدل های انتشار و نحوه کار آنها بیاموزید. برای این، یک دوره خیره کننده توسط Hugging Face وجود دارد. مطالب دوره، از جمله دفترچه یادداشت، مطالب خواندنی و هر چیز دیگری را می توان در این مطلب یافت مخزن GitHub. در اینجا، می‌توانید محتوایی در مورد مدل‌های انتشار اولیه، انتشار پایدار، تنظیم دقیق مدل انتشار و موارد دیگر پیدا کنید.

منابع اضافی مولد هوش مصنوعی

جایزه: برنامه جامع هوش مصنوعی مولد

من می دانم که این دوره های زیادی برای انجام است و کاملاً جامع نیستند. به همین دلیل است که من این برنامه جامع در زمینه هوش مصنوعی مولد را پیشنهاد می کنم برنامه Generative AI Pinnacle. این برنامه هوش مصنوعی مولد را از ابتدا تا انتها پوشش می دهد. موضوعاتی مانند مهندسی سریع، سیستم RAG با استفاده از LlamaIndex، و تنظیم دقیق LLMها، از جمله LoRA، QLoRA، PEFT و Stable Diffusion را پوشش می دهد.

نتیجه

امیدوارم این فهرست منابع هوش مصنوعی تولید کننده برای شما مفید بوده باشد و حداقل در یکی از دوره های فوق ثبت نام کرده باشید! با این حال، بسیاری از دوره های دیگر وجود دارد که من در اینجا کنار گذاشته ام. اگر دوره مرتبطی در زمینه هوش مصنوعی Generative پیدا کردید، آن را در نظرات زیر به اشتراک بگذارید. من دوست دارم خودم آن را کشف کنم!