یادگیری تقویتی برای تراز و استدلال LLM توسط پیرسون

مدرس Pearson

انتشار 2026/05/01

مدت زمان 3h 46m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Reinforcement Learning for LLM Alignment and Reasoning by Pearson

پیش‌آموزش به LLMها قابلیت می‌دهد، نه قضاوت. در این دوره، یاد بگیرید که چگونه تکنیک‌های یادگیری تقویتی مانند بهینه‌سازی اولویت مستقیم (DPO) و بهینه‌سازی خط مشی نسبی گروهی (GRPO) رفتار مدل، ایمنی و استدلال را شکل می‌دهند و چگونه سیستم‌های ارزیابی و حاکمیتی را ایجاد کنید که همسویی را در مسیر نگه می‌دارند. این دوره برای توسعه دهندگان، دانشمندان داده و مهندسان ML که در حال تنظیم دقیق یا به کارگیری LLM هستند و می خواهند ایمنی، اثربخشی و قابلیت های استدلال خود را بهبود بخشند، مناسب است.توجه: این دوره توسط Pearson ایجاد شده است. ما خوشحالیم که میزبان این آموزش در کتابخانه خود هستیم.

مدل‌های زبان بزرگ (LLM) Reinforcement Learning

Introduction

Course introduction ()

1. Foundations of Alignment

Key topics ()

Alignment goals and failure modes ()

Framing the alignment problem for LLMs ()

Post-training overview: SFT, preference optimization, and RLHF ()

2. Reinforcement Learning Basics for LLMs

Key topics ()

Policies, rewards, and exploration ()

Common algorithms used in post-training ()

PPO in action using Flan-T5 ()

3. Building a Reward Model

Topics ()

Foundations of reward modeling ()

Training a reward model ()

4. Modern Post-Training

Topics ()

Why RLHF evolved ()

Direct preference optimization (DPO) ()

REINFORCE leave-one-out (RLOO) ()

5. Advanced Post-Training for Reasoning

Key topics ()

Why reasoning needs a different post-training method ()

Group relative policy optimization (GRPO) ()

Case study: Inducing reasoning in LLMs with GRPO ()

6. Future Directions, Safety, and Governance

Key topics ()

Practical safety and robustness benchmarks ()

Building a simple safety evaluation harness ()

Governance and risk frameworks ()

Joint safety evaluations and red teaming ()

Case study: Constitutional AI plus safety evaluation ()

Conclusion

Course summary and next steps ()

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.