کتاب Hands-On Large Language Models

کار با مدل‌های زبانی بزرگ (Hands-On LLMs): درک و تولید زبان به صورت عملی

در چند سال اخیر، هوش مصنوعی به قابلیت‌های زبانی خیره‌کننده‌ای دست یافته است. کتاب Hands-On Large Language Models تالیف جی آلامار (نویسنده وبلاگ مشهور Illustrated Transformer) و مارتن گروتندورست (خالق BERTopic)، یکی از بهترین منابع بصری و عملی برای تسلط بر این حوزه است. این کتاب به شما می‌آموزد که چگونه از مدل‌های پیش‌آموزش‌دیده برای کارهایی مثل کپی‌رایتینگ، خلاصه‌سازی، جستجوی معنایی و خوشه‌بندی متن استفاده کنید.

خرید نسخه چاپی این کتاب به دلیل ماهیت آموزش بصری آن، تجربه‌ای متفاوت از یادگیری عمیق را برای شما رقم می‌زند و مفاهیم پیچیده معماری ترنسفورمر را با دیاگرام‌های گویا ساده‌سازی می‌کند.

بخش اول: درک مدل‌های زبانی (بنیاد هوش مصنوعی مدرن)

این بخش به شما کمک می‌کند تا بفهمید زیر پوسته مدل‌هایی مثل GPT چه می‌گذرد.

توکن‌ها و امبدینگ‌ها (Tokens & Embeddings): یادگیری اینکه چگونه ماشین‌ها کلمات را به اعداد تبدیل می‌کنند تا معنای آن‌ها را درک کنند.

نگاهی به درون LLMها: کالبدشکافی معماری Transformer و درک تفاوت میان مدل‌های تولیدگر (Generative) و مدل‌های نمایش‌گر (Representation).

بخش دوم: استفاده از مدل‌های پیش‌آموزش‌دیده

شما نیازی به آموزش یک مدل از صفر ندارید؛ یاد می‌گیرید چگونه از مدل‌های موجود برای حل مسائل واقعی استفاده کنید.

خوشه‌بندی و مدل‌سازی موضوعی (Topic Modeling): استفاده از تکنیک‌های پیشرفته برای دسته‌بندی خودکار هزاران سند متنی و استخراج موضوعات اصلی آن‌ها.

مهندسی پرامپت (Prompt Engineering): هنر نوشتن دستورات موثر برای گرفتن بهترین خروجی از مدل‌های تولیدی.

جستجوی معنایی و RAG: ساخت موتورهای جستجویی که فراتر از کلمات کلیدی، مفهوم سوال کاربر را درک می‌کنند (استفاده از Retrieval-Augmented Generation).

مدل‌های چندوجهی (Multimodal): بررسی مدل‌هایی که همزمان متن، تصویر و سایر داده‌ها را درک می‌کنند.

بخش سوم: آموزش و شخصی‌سازی (Fine-Tuning)

وقتی مدل‌های عمومی کافی نیستند، باید آن‌ها را برای نیازهای خاص خود بهینه کنید.

Fine-Tuning مدل‌های تولیدی: یادگیری نحوه آموزش اختصاصی مدل‌هایی مثل Llama یا GPT برای سبک نگارش یا دانش خاص.

یادگیری در لحظه (In-Context Learning): تکنیک‌هایی برای آموزش مدل در حین گفت‌وگو بدون نیاز به تغییر وزن‌های مدل.

بهینه‌سازی امبدینگ‌ها: ساخت مدل‌های اختصاصی برای جستجوی دقیق‌تر در حوزه‌های تخصصی (مانند پزشکی یا حقوق).

سرفصل‌های آموزشی کتاب (Table of Contents)

مقدمه‌ای بر LLMها: تاریخچه و مسیر تحول.

توکن‌ها و امبدینگ‌ها: الفبای عددی مدل‌ها.

معماری داخلی: درک لایه‌های توجه (Attention).