برچسب Ned Bellavance

Pluralsight – Foundations of Computing: Computer Architecture 2025-4

دوره Foundations of Computing: Computer Architecture. این دوره مبانی معماری کامپیوتر را برای درک چگونگی پردازش دستورالعمل‌ها، بهینه‌سازی عملکرد و اجرای کارآمد کد آموزش می‌دهد. شرکت‌کنندگان خواهند آموخت که کامپیوترهای مدرن چگونه با بهره‌گیری از مفاهیمی مانند پایپ لاینینگ، کشینگ و زبان اسمبلی، دستورات را پردازش و اجرا می‌کنند. این دوره اجزای اصلی سیستم‌های کامپیوتری، شامل پردازنده، حافظه و واحد ذخیره‌سازی را از پایه مورد بررسی قرار می‌دهد. سپس به بررسی تأثیر مجموعه دستورالعمل‌ها، پایپ لاینینگ و حافظه نهان بر روی عملکرد کلی سیستم می‌پردازد. در ادامه، فرآیند ترجمه کدهای سطح بالا به زبان اسمبلی توسط کامپایلرها و همچنین تکنیک‌های بهینه‌سازی برای افزایش سرعت اجرا آموزش داده می‌شود. در پایان این دوره، فراگیران دانش و مهارت لازم برای تحلیل، ارزیابی و ارتقای کارایی سیستم‌های کامپیوتری بر اساس اصول معماری را کسب خواهند کرد.

Pluralsight – Foundations of Small Language Model Engineering 2026-8

دوره Foundations of Small Language Model Engineering. این دوره آموزشی به بررسی اصول مهندسی مدل‌های زبانی کوچک (SLM) و نحوه انتخاب، ارزیابی و استقرار آن‌ها در محیط‌های محلی برای رفع نیازهای کیفی، حریم خصوصی و عملکردی در دنیای واقعی می‌پردازد. استقرار مدل‌های زبانی بزرگ (LLM) در محیط‌های عملیاتی اغلب شامل هزینه‌های بالا، تاخیر، نگرانی‌های حریم خصوصی و نیازهای زیرساختی سنگینی است که بسیاری از سناریوهای کاربردی واقعی قادر به پذیرش آن‌ها نیستند. این دوره آموزشی مهارت‌ها و دانش مورد نیاز را برای انتخاب، ارزیابی و استقرار مدل‌های زبانی کوچک به گونه‌ای که با نیازهای کیفی و عملکردی سیستم‌ها مطابقت داشته باشند، فراهم می‌سازد. در این مسیر آموزشی، ساختار و ویژگی‌های مدل‌های زبانی کوچک بررسی می‌شود و مشخص می‌شود که چگونه معماری، نیازهای سخت‌افزاری و توازن کارایی آن‌ها با مدل‌های زبانی بزرگ مقایسه می‌شوند. علاوه بر این، روش‌های مقایسه خانواده‌های مختلف مدل‌ها، تحلیل شناسنامه‌ها و مجوزهای مدل، و ارزیابی آن‌ها بر اساس معیارها و بنچمارک‌های تخصصی به جای اتکا به جدول‌های امتیاز عمومی آموزش داده می‌شود. در نهایت، نحوه راه‌اندازی یک محیط سرور محلی، اجرای فرآیند استنتاج (Inference) و ایجاد یک مبنای عملکردی مستند شده بررسی خواهد شد. پس از پایان این دوره، دانش‌پژوهان مهارت‌های لازم برای انتخاب و استقرار مطمئن مدل زبانی کوچک مناسب را برای کاربردهای عملیاتی خود کسب خواهند کرد و می‌توانند بدون هزینه‌های سنگین زیرساختی، از قدرت هوش مصنوعی بهره‌مند شوند.