LLMs (NCA-GENL) گواهی Associate Generative AI LLMs Cert Prep از NVIDIA

مدرس Packt Publishing

انتشار 2026/06/04

مدت زمان 9h 21m

سطح مناسب همه

فایل تمرینی دارد

آموزش NVIDIA Certified Associate Generative AI LLMs (NCA-GENL) Cert Prep

هوش مصنوعی مولد و مدل‌های زبان بزرگ (LLM) در حال تغییر شکل سازمان‌ها در ساخت برنامه‌های هوشمند هستند و ابزارهای NVIDIA در مرکز این تغییر قرار دارند. در این دوره، پایه های هوش مصنوعی و یادگیری ماشین، معماری ترانسفورماتور، انتخاب مدل و تکنیک های سفارشی سازی را با استفاده از پشته هوش مصنوعی NVIDIA، از جمله TensorRT، RAPIDS، و NeMo بررسی کنید. بیاموزید که چگونه مدل‌ها را برای استفاده در دنیای واقعی آموزش دهید و سفارشی کنید، شیوه‌های هوش مصنوعی اخلاقی را کشف کنید، و تجربه عملی را با جریان‌های کاری یادگیری عمیق کسب کنید. در پایان این دوره، شما برای شرکت در آزمون گواهینامه NCA-GENL آماده خواهید شد و آماده خواهید بود که مهارت های خود را در پروژه های عملی هوش مصنوعی به کار ببرید.این دوره توسط انتشارات Packt ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

Generative AI NVIDIA AI

Welcome

Introduction ()

1. Why Generative AI Matters for Companies and You?

Why companies invest in generative AI—and why it matters to you ()

2. NVIDIA Certification Details

Know about certification tracks ()

NCA-GENL certification ()

3. Module 1: AI Infrastructure

What we will cover? ()

AI and ML stack ()

AI infrastructure ()

GPUs for AI and ML ()

GPU vs. CPU ()

GPU architecture ()

Memory pooling ()

Cloud vs. on-premises ()

Network infrastructure ()

Storage infrastructure ()

Module 1: Summary ()

4. Module 2: AI and ML Fundamentals

AI and ML ()

Deep learning ()

A simple use case ()

What is a model? ()

Training a model ()

Module 2: Summary ()

5. Module 3: Generative AI & LLM

What is generative AI? ()

Foundation model ()

Large language model ()

Road to generative AI ()

Transformers ()

Module 3: Summary ()

6. Module 4: Transformer Architecture

Transformers: The engine behind modern AI ()

How transformers work? ()

Tokenization ()

Encoding ()

Word embedding ()

Decoding ()

Output ()

Positional encoding ()

Transformer explainer ()

Attention mechanism ()

Multi-head attention ()

Encoder decoder ()

Which one to use? ()

Prediction strategy ()

Module 4: Summary ()

7. Module 5: Model Selection

How to pick the right AI foundation model? ()

Model selection process ()

SLM vs. LLM ()

Model evaluation ()

Metrics that matters ()

Metrics comparison ()

Cross validation ()

A/B testing ()

Selecting best model ()

Module 5: Summary ()

8. Module 6: Model Customization

Why customize a model? ()

Prompt engineering ()

System prompt ()

Retrieval-augmented generation (RAG) ()

Chunking ()

Transfer learning ()

Transfer Learning Approaches ()

Transfer learning use cases ()

Fine-tuning ()

Knowledge distillation ()

Accuracy on a validation set ()

Module 6: Summary ()

9. Module 7: Model Training

Model training analogy ()

Beer or wine ()

Order of steps ()

Data collection ()

Data processing: RegEx ()

Data processing: EDA ()

EDA Techniques ()

Model training ()

Model training phases ()

Model Evaluation ()

Model deployment ()

Options for deployment ()

ONNX format ()

Quantization ()

Post deployment ()

Module 7: Summary ()

10. Module 8: NVIDIA Ecosystem

NVIDIA ecosystem ()

NVIDIA GPUs ()

CUDA ()

NVIDIA SMI ()

NVIDIA RAPIDS ()

How RAPIDS work? ()

NVIDIA TensorRT ()

TensorRT vs. quantization vs. ONNX ()

NVIDIA NeMo ()

NVIDIA Triton ()

Dynamic batching ()

NGC catalog ()

Other integration ()

Module 8: Summary ()

11. Module 9: Ethical AI

Ethical AI ()

Building trustworthy AI ()

Confidential computing ()

NVIDIA NeMo Guardrails ()

Embedding classifier ()

Data lineage tracking ()

Red teaming ()

Data augmentation ()

Accountability ()

Explainable AI ()

Module 9: Summary ()

12. Module 10: Additional Topics

Forward and back propagation ()

Vanishing gradients ()

Challenges of vanishing gradients ()

Neuron ()

Inside a neuron ()

Is it a cat? ()

ReLU vs. sigmoid ()

Layer normalization ()

Named-entity relationship ()

Diffusion algorithms ()

Forward and reverse diffusion ()

Forward Diffusion ()

Reverse diffusion ()

Rapid application development (RAD) ()

Hugging Face transformers ()

Module 10: Summary ()

13. Exam Tips

Prepare for the certification exam ()

9781807786076.pdf (269 KB)

GitHub Codespaces.pdf (11 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.