📘 این کتاب یک راهنمای کاملا عملی برای استفاده از کتابخانه قدرتمند Transformers در Hugging Face است

با این کتاب، به بزرگ‌ترین مدل‌های زبانی متن‌باز (LLM) دسترسی پیدا میکنی. مفاهیم پیچیده NLP به‌شکل ساده و کاربردی توضیح داده میشن و تمرکز اصلی روی استفاده عملی قرار داره. نتیجه اینه که دانشمندان داده، مهندسان یادگیری ماشین و متخصصان NLP میتونن بدون درگیر شدن با پیچیدگی‌های تئوریک، راهکارهای قابل اتکا و حرفه‌ای بسازن.

🧭 ساختار کتاب برای یادگیری مرحله‌به‌مرحله طراحی شده

این کتاب از سه بخش اصلی تشکیل شده تا مسیر یادگیری کاملا تدریجی و قابل دنبال کردن باشه.

🧩 بخش اول: ساخت راهکارهای LLM آماده استفاده در محیط واقعی

در این بخش با کتابخانه Hugging Face آشنا میشی و یاد میگیری چطور اغلب چالش‌های رایج NLP رو حل کنی، بدون اینکه لازم باشه وارد جزئیات عمیق معماری ترنسفورمرها بشی.

🤖 بخش دوم: تقویت LLMها با RAG و ایجنت‌های هوشمند

اینجا تمرکز روی Retrieval-Augmented Generation (RAG) هست؛ یاد میگیری چطور کیفیت پاسخ‌ها رو بالا ببری و سیستم‌ها و ایجنت‌های هوشمند بسازی که تصمیم‌گیری بهتری دارن.

🚀 بخش سوم: پیشرفت‌های LLM و مباحث تخصصی

این بخش وارد موضوعات پیشرفته‌تری مثل آموزش مدل، اصول معماری ترنسفورمر و تکنیک‌های به‌روز مرتبط با استفاده عملی از مدل‌های زبانی میشه.

🛠️ کاملا مبتنی بر مثال و پروژه

هر فصل شامل مثال‌های عملی، قطعه‌کدها و پروژه‌های hands-on هست تا مطمئن بشی مطالب مستقیما در دنیای واقعی قابل استفاده هستن. این کتاب فاصله بین تئوری و عمل رو پر میکنه و ابزارها و بینش لازم برای ساخت راهکارهای LLM کارآمد رو در اختیارت میذاره.

🎯 آنچه یاد خواهید گرفت

🧠 انواع مسائلی که LLMهای مدرن میتونن حل کنن

🔍 چطور مناسب‌ترین LLM از پیش‌آموزش‌دیده رو برای هر مسئله انتخاب کنی

📚 چطور LLM رو با یک پایگاه دانش اختصاصی غنی کنی و سیستم‌های هوشمند بسازی

⚙️ اصول پایه مدل‌های زبانی و روش‌های تنظیم و بهینه‌سازی اونها

🏗️ چطور اپلیکیشن‌های هوش مصنوعی مبتنی بر LLM بسازی که پایدار و قابل اعتماد باشن

👥 این کتاب مناسب چه کسانی است

این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین و متخصصان NLP نوشته شده که آشنایی پایه با Python دارن، مفاهیم اولیه PyTorch رو میشناسن و درک کلی از یادگیری عمیق دارن و حالا میخوان مدل‌های زبانی بزرگ رو به‌صورت عملی وارد پروژه‌های واقعی کنن.

📑 فهرست مطالب

فصل 1: آشنایی با Transformers

فصل 2: درون‌ساختار LLMها و ارزیابی آن‌ها

فصل 3: بهبود پاسخ‌های مدل‌های مکالمه‌ای

فصل 4: غنی‌سازی دانش مدل با Retrieval-Augmented Generation

فصل 5: ساخت سیستم‌های مبتنی بر ایجنت

فصل 6: تسلط بر آموزش مدل‌ها

فصل 7: کالبدشکافی معماری Transformer

👤 درباره نویسنده

ایوان گریدین متخصص هوش مصنوعی، پژوهشگر و نویسنده‌ایه با تجربه گسترده در به‌کارگیری تکنیک‌های پیشرفته یادگیری ماشین در مسائل واقعی. حوزه تخصصی او شامل پردازش زبان طبیعی، مدل‌سازی پیش‌بینی سری‌های زمانی، یادگیری ماشین خودکار (AutoML)، یادگیری تقویتی و جستجوی معماری شبکه‌های عصبیه.

او پایه قوی در ریاضیات، از جمله فرآیندهای تصادفی، نظریه احتمال، بهینه‌سازی و یادگیری عمیق داره و در سال‌های اخیر به یکی از متخصصان مدل‌های زبانی بزرگ متن‌باز، به‌ویژه در اکوسیستم Hugging Face، تبدیل شده. تمرکز اصلی او توسعه سیستم‌های هوشمند و کاربردی مبتنی بر زبان طبیعیه.

👨‍👩‍👧‍👦 ایوان علاوه بر فعالیت‌های حرفه‌ای، همسر و پدری خانواده‌دوست است و به جمع‌آوری کتاب‌های قدیمی ریاضی علاقه خاصی دارد.

This book is a practical guide to harnessing Hugging Face's powerful transformers library, unlocking access to the largest open-source LLMs. By simplifying complex NLP concepts and emphasizing practical application, it empowers data scientists, machine learning engineers, and NLP practitioners to build robust solutions without delving into theoretical complexities.

The book is structured into three parts to facilitate a step-by-step learning journey. Part One covers building production-ready LLM solutions introduces the Hugging Face library and equips readers to solve most of the common NLP challenges without requiring deep knowledge of transformer internals. Part Two focuses on empowering LLMs with RAG and intelligent agents exploring Retrieval-Augmented Generation (RAG) models, demonstrating how to enhance answer quality and develop intelligent agents. Part Three covers LLM advances focusing on expert topics such as model training, principles of transformer architecture and other cutting-edge techniques related to the practical application of language models.

Each chapter includes practical examples, code snippets, and hands-on projects to ensure applicability to real-world scenarios. This book bridges the gap between theory and practice, providing professionals with the tools and insights to develop practical and efficient LLM solutions.

What you will learn:

• What are the different types of tasks modern LLMs can solve
• How to select the most suitable pre-trained LLM for specific tasks
• How to enrich LLM with a custom knowledge base and build intelligent systems
• What are the core principles of Language Models, and how to tune them
• How to build robust LLM-based AI Applications



Who this book is for:

Data scientists, machine learning engineers, and NLP specialists with basic Python skills, introductory PyTorch knowledge, and a primary understanding of deep learning concepts, ready to start applying Large Language Models in practice.

Table of Contents

Chapter 1: Discovering Transformers

Chapter 2: LLM Internals and Evaluation

Chapter 3: Improving Chat Model Responses

Chapter 4: Enriching the Model's Knowledge with Retrieval-Augmented Generation

Chapter 5: Building Agent Systems

Chapter 6: Mastering Model Training

Chapter 7: Unpacking the Transformer Architecture

About the Author

Ivan Gridin is an artificial intelligence expert, researcher, and author with extensive experience in applying advanced machine-learning techniques in real-world scenarios. His expertise includes natural language processing (NLP), predictive time series modeling, automated machine learning (AutoML), reinforcement learning, and neural architecture search. He also has a strong foundation in mathematics, including stochastic processes, probability theory, optimization, and deep learning. In recent years, he has become a specialist in open-source large language models, including the Hugging Face framework. Building on this expertise, he continues to advance his work in developing intelligent, real-world applications powered by natural language processing.

He is a loving husband and father and collector of old math books.