معرفی کوتاه

«آموزش نظری و عملی مدل‌های زبانی بزرگ» اثر جی العمار و مارتن گروتندورست، اولین منبع فارسی است که هم مفاهیم بنیادی LLM را توضیح می‌دهد و هم شما را پای کد می‌نشاند. اگر می‌خواهید بفهمید پشت‌صحنه ChatGPT و ابزارهای مشابه چه اتفاقی می‌افتد، این کتاب نقطه شروع شماست.

معرفی کامل کتاب

مدل‌های زبانی؛ فناوری که دیگر نمی‌توان نادیده گرفت

در سال‌های اخیر LLMها از آزمایشگاه‌های پژوهشی بیرون آمده‌اند و وارد محصولات واقعی شده‌اند. اما درک اینکه این مدل‌ها دقیقاً چطور کار می‌کنند، چطور آموزش می‌بینند، و چطور می‌توان با آن‌ها سیستم‌های کاربردی ساخت، همچنان برای بسیاری از مهندسان و پژوهشگران یک خلأ جدی است. این کتاب برای پر کردن همین خلأ نوشته شده.

یادگیری بصری؛ نه معادله، نه حفظیات

نویسندگان بر پایه آنچه «فلسفه تقدم بینش تجربی» می‌نامند، از تصویر و نمودار به‌جای فرمول‌های پیچیده استفاده کرده‌اند. معماری Transformer، تفاوت مدل‌های بازنمایی و مولد، روش‌های تنظیم دقیق و مهندسی پرسش‌واره — همه با رویکردی بصری و با مثال‌های کدمحور توضیح داده می‌شوند. پیش‌نیاز ریاضی پیچیده‌ای ندارید؛ آشنایی با پایتون کافی است.

از مبانی تا ساخت سیستم‌های واقعی

کتاب در سه بخش اصلی ساختار گرفته: آشنایی با مدل‌های زبانی، استفاده از مدل‌های پیش‌آموخته، و آموزش و تنظیم‌دقیق. در طول مسیر یاد می‌گیرید چطور موتور جستجوی معنایی با روش «بازیابی چگال» بسازید، خط‌لوله‌های LLM برای خوشه‌بندی اسناد طراحی کنید، و از مدل‌های مولد در کاربردهای «بازیابی-برافزوده» بهره ببرید. همه کدها روی Google Colab اجرا می‌شوند.

این کتاب برای چه کسانی مناسب است؟

- مهندسان نرم‌افزاری که می‌خواهند با LLMها اپلیکیشن‌های کاربردی بسازند
- دانشجویان هوش مصنوعی و یادگیری ماشین که به یک منبع ساختاریافته فارسی نیاز دارند
- توسعه‌دهندگانی که با پایتون آشنا هستند اما به فریم‌ورک‌های یادگیری عمیق مسلط نیستند
- پژوهشگرانی که می‌خواهند معماری Transformer و روش‌های تنظیم‌دقیق مدل را درک کنند
- متخصصان داده که به دنبال ادغام LLM در پروژه‌های تحلیلی خود هستند

ویژگی‌ها و نقاط قوت کتاب

-رویکرد بصری — مفاهیم پیچیده با تصویر و نمودار توضیح داده می‌شوند، نه فرمول
- کدهای آماده اجرا — تمام نمونه‌ها روی Google Colab بدون نیاز به سخت‌افزار خاص قابل اجرا هستند
- پوشش کامل کاربردها — از جستجوی معنایی تا چت‌بات، از خوشه‌بندی متن تا تنظیم‌دقیق مدل
- تمایز روشن مدل‌های بازنمایی و مولد — دیدگاهی که اغلب در منابع آموزشی نادیده گرفته می‌شود
- سه بخش آموزشی پیوسته — از مبانی تا پیاده‌سازی سیستم‌های پیشرفته LLM
- ۳۶۰ صفحه در قطع وزیری — حجمی که عمق کافی دارد بدون اینکه مخاطب را خسته کند

سوالات متداول

آیا برای خواندن این کتاب به دانش یادگیری عمیق نیاز دارم؟

خیر. آشنایی با پایتون و مفاهیم پایه یادگیری ماشین کافی است. کتاب به‌صراحت اعلام کرده که نیازی به TensorFlow یا PyTorch ندارید.

کدهای کتاب را کجا می‌توانم اجرا کنم؟

تمام کدها روی Google Colab در دسترس هستند. مخزن GitHub کتاب در آدرس `github.com/HandsOnLLM/Hands-On-Large-Language-Models` نگهداری می‌شود و حداقل VRAM مورد نیاز برای هر فصل در همان‌جا مشخص شده.

این کتاب با سایر منابع آموزش LLM به فارسی چه تفاوتی دارد؟

تمرکز اصلی این کتاب بر بینش عملی است، نه نظریه صرف. نویسندگان به‌جای دنبال کردن آخرین مدل‌های روز، روی مفاهیم بنیادی و قابل‌انتقال تمرکز کرده‌اند که با تغییر فناوری کهنه نمی‌شوند.

درباره نویسنده/مترجم

جی العمار مدیر و عضو تیم مهندسی Cohere است. او از طریق وبلاگ و خبرنامه `languagemodels.co` مفاهیم یادگیری ماشین را به‌صورت بصری به میلیون‌ها مهندس و محقق آموزش داده؛ آموزش‌هایی که حتی به مستندات رسمی NumPy و pandas راه یافته‌اند. او همچنین محتوای آموزشی برای Deeplearning.ai و Udacity تولید کرده است.

مارتن گروتندورست دانشمند ارشد داده‌های بالینی در IKNL (سازمان فراگیر سرطان هلند) است. او سازنده بسته‌های منبع‌باز BERTopic، KeyBERT و PolyFuzz است که میلیون‌ها بار توسط سازمان‌های بین‌المللی استفاده شده‌اند.

علیرضا زارع‌پور (مترجم) —

فهرست :

بخش یک : آشنایی با مدل های زبانی

بخش دو : استفاده از مدل های زبانی پیش آموخته

بخش سه : آموزش و تنظیم-دقیق مدل های زبانی