النماذج التأسيسية للذكاء الاصطناعي التوليدي لمعالجة اللغات الطبيعية وفهمها

تقدم هذه الدورة التدريبية المقدمة من IBM دليلاً شاملاً ومتكاملاً لفهم وتطبيق النماذج التأسيسية للذكاء الاصطناعي التوليدي في مجال معالجة اللغات الطبيعية (NLP). صُممت هذه الدورة لتزويد المتعلمين بالمعرفة النظرية والمهارات العملية اللازمة للعمل مع تقنيات معالجة اللغات الطبيعية المتقدمة باستخدام إطار عمل PyTorch. ستتعلم كيفية تحويل النصوص إلى ميزات رقمية باستخدام تقنيات التشفير الواحد (One-hot encoding) وحقائب الكلمات (Bag-of-words) والتضمينات (Embeddings) وحقائب التضمين (Embedding bags). تغطي الدورة بناءً متكاملاً لنماذج اللغة، بدءاً من النماذج الإحصائية التقليدية مثل N-Grams، وصولاً إلى البنى العصبية المتقدمة. سيتعلم المشاركون كيفية تطوير وتدريب نماذج لغوية قائمة على الشبكات العصبية، بما في ذلك الشبكات العصبية المتكررة (RNNs) ونماذج التسلسل إلى تسلسل (Sequence-to-sequence). كما تتناول الدورة تطبيقات عملية حيوية مثل الترجمة الآلية وتحويل التسلسلات، مع التركيز على بناء نماذج Word2Vec باستخدام بنى CBOW وSkip-gram لتوليد تضمينات الكلمات السياقية. إلى جانب الجوانب التقنية، تتضمن الدورة جوانب حاسمة مثل تقييم النماذج وأخلاقيات البيانات، مما يضمن فهماً مسؤولاً وشاملاً لتطبيقات الذكاء الاصطناعي التوليدي. سيمكنك هذا المحتوى التعليمي من بناء أساس قوي للعمل مع نماذج اللغة الكبيرة (LLMs) وفهم آلياتها الداخلية بعمق.

• شرح كيفية تحويل تقنيات الترميز الواحد، وحقائب الكلمات، والتضمينات، وحقائب التضمين للنصوص إلى ميزات رقمية لنماذج معالجة اللغات الطبيعية
• تنفيذ نماذج Word2Vec باستخدام بنى CBOW وSkip-gram لتوليد تضمينات الكلمات السياقية
• تطوير وتدريب نماذج لغوية قائمة على الشبكات العصبية باستخدام N-Grams الإحصائية والبنى ذات التغذية الأمامية
• بناء نماذج تسلسل إلى تسلسل باستخدام شبكات RNN ذات التشفير-فك التشفير لمهام مثل الترجمة الآلية وتحويل التسلسلات