دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [2 ed.]
نویسندگان: Sinan Ozdemir
سری:
ناشر: Addison-Wesley
سال نشر: 2024
تعداد صفحات: 139
[279]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 20 Mb
در صورت تبدیل فایل کتاب Quick Start Guide to Large Language Models, Second Edition به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب راهنمای شروع سریع مدلهای زبان بزرگ، ویرایش دوم نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
راهنمای عملی و گام به گام استفاده از LLM در مقیاس در پروژه ها و محصولات مدلهای زبان بزرگ (LLM) مانند ChatGPT قابلیتهای خیرهکنندهای را نشان میدهند، اما اندازه و پیچیدگی آنها بسیاری از تمرینکنندگان را از اعمال آنها منصرف کرده است. در راهنمای شروع سریع برای مدلهای زبان بزرگ، ویرایش دوم، دانشمند پیشگام داده و کارآفرین هوش مصنوعی، سینان اوزدمیر، این موانع را برطرف میکند و راهنمای کار با، ادغام و استقرار LLMها برای حل مشکلات عملی را ارائه میدهد. Ozdemir همه چیزهایی را که برای شروع نیاز دارید، گرد هم می آورد، حتی اگر تجربه مستقیمی با LLM نداشته باشید: دستورالعمل های گام به گام، بهترین شیوه ها، مطالعات موردی در دنیای واقعی، تمرینات عملی، و موارد دیگر. در طول مسیر، او بینش هایی را در مورد عملکرد درونی LLM به اشتراک می گذارد تا به شما کمک کند انتخاب مدل، فرمت های داده، پارامترها و عملکرد را بهینه کنید. در ویرایش دوم، خوانندگان بهروزرسانیهای جامع و فصلهای جدیدی را خواهند یافت که منعکسکننده آخرین پیشرفتها در این زمینه است. علاوه بر بهروزرسانی کدهای موجود برای برآورده کردن نسخهها و انتظارات، این نسخه به طور قابل توجهی محتوا را در Retrieval-Augmented Generation و AI Agents گسترش میدهد و فصلهای جدیدی را که به روشهای دستی و خودکار برای ارزیابی LLMها و همچنین اصول همترازی اختصاص داده شده است، معرفی میکند و تفاوتها را برجسته میکند و پیامدهای تراز آموزشی در مقابل ارزش علاوه بر این، نمونههای بیشتری از تنظیم دقیق مدلهای بزرگتر گنجانده شدهاند، و همه کدها و مراجع مدل بهروزرسانی شدهاند تا آخرین نسخههای بسته و مدلهای هوش مصنوعی مانند Llama 3 و Mistral v0.2 را در بر بگیرند و اطمینان حاصل کنند که نسخه جدید در لبه برتر LLM باقی میماند. فن آوری. مطالب بیشتر در RAG و AI Agents فصل جدیدی در مورد ارزیابی LLM ها به صورت دستی و خودکار فصل جدید در اصول هم ترازی (تراز آموزشی در برابر ارزش و غیره) بهروزرسانیهای عمومی تا همه کدها به روزتر باشند (با استفاده از آخرین نسخههای بسته مدلهای هوش مصنوعی، مانند Llama 3 و غیره) شامل مطالب بیشتری در مورد اصول تنظیم دقیق است
The Practical, Step-by-Step Guide to Using LLMs at Scale in Projects and Products Large Language Models (LLMs) like ChatGPT are demonstrating breathtaking capabilities, but their size and complexity have deterred many practitioners from applying them. In Quick Start Guide to Large Language Models, Second Edition, pioneering data scientist and AI entrepreneur Sinan Ozdemir clears away those obstacles and provides a guide to working with, integrating, and deploying LLMs to solve practical problems. Ozdemir brings together all you need to get started, even if you have no direct experience with LLMs: step-by-step instructions, best practices, real-world case studies, hands-on exercises, and more. Along the way, he shares insights into LLMs' inner workings to help you optimize model choice, data formats, parameters, and performance. In the second edition, readers will find comprehensive updates and new chapters that reflect the latest advancements in the field. In addition to updating existing code to meet current versions and expectations, this edition significantly expands content on Retrieval-Augmented Generation and AI Agents and introduces new chapters dedicated to manual and automated methods for evaluating LLMs, as well as alignment principles, highlighting the differences and implications of instructional versus value alignment. Additionally, more examples of fine-tuning larger models are included, and all code and model references have been updated to include the latest package versions and AI models like Llama 3 and Mistral v0.2 ensuring the new edition remains at the cutting edge of LLM technology. More content on RAG and AI Agents A new chapter on evaluating LLMs both manually and automatically A new chapter on alignment principles (instructional versus value alignment, etc.) General updates so all code is more current (using the latest package versions + AI models, like Llama 3, etc.) Includes more content on fine-tuning principles
Cover Page Title Page Contents Table of Contents Preface Acknowledgments About the Author Part I: Introduction to Large Language Models 1. Overview of Large Language Models Introduction What Are Large Language Models? Popular Modern LLMs Domain-Specific LLMs Applications of LLMs Summary 2. Semantic Search with LLMs Introduction The Task Solution Overview The Components Putting It All Together The Cost of Closed-Source Components Summary 3. First Steps with Prompt Engineering Introduction Prompt Engineering Working with Prompts Across Models Summary 4. The AI Ecosystem—Putting the Pieces Together Introduction The Ever-Shifting Performance of Closed-Source AI AI Reasoning versus Thinking Case Study 1: Retrieval Augmented Generation (RAG) Case Study 2: Automated AI Agents Conclusion Part II: Getting the Most Out of LLMs 5. Optimizing LLMs with Customized Fine-Tuning [This content is currently in development.] 6. Advanced Prompt Engineering [This content is currently in development.] 7. Customizing Embeddings and Model Architectures [This content is currently in development.] 8. AI Alignment: First Principles Introduction Aligned to Whom and to What End? Alignment as a Bias Mitigator The Pillars of Alignment Constitutional AI—A Step Toward Self-Alignment Conclusion Part III: Advanced LLM Usage 9. Moving Beyond Foundation Models [This content is currently in development.] 10. Advanced Open-Source LLM Fine Tuning [This content is currently in development.] 11. Moving LLMs into Production [This content is currently in development.] 12. Evaluating LLMs Introduction Evaluating Generative Tasks Evaluating Understanding Tasks Conclusion Keep Going!