هوش مصنوعی چندوجهی (Multimodal AI)

1.1. مقدمه‌ای بر VLM و مدل‌های چندوجهی (MultiModal)

00:11′

1.2. معرفی CLIP

00:12′

2.2. مفهوم Embedding متن و تصویر

00:14′

3.2. تابع هزینه (Loss Function) و نحوه‌ی آموزش CLIP

00:24′

4.2. استفاده از Hugging Face برای درک Embedding متن در CLIP

00:17′

5.2. بررسی Embedding تصویر و مقایسه‌ی Embedding تصویر و متن

00:09′

6.2. آموزش Zero-Shot با CLIP

00:20′

1.3. آموزش مدل Dual Encoder (مشابه CLIP) با فریم‌ورک Keras

00:19′

2.3. معرفی SigLIP

00:16′

3.3. Image Captioning با Qwen

00:26′

4.3. توصیف تصویر فارسی (Persian Image Captioning)

00:12′

5.3. شناسایی اشیاء (Object Detection)

00:23′

6.3. استفاده از مدل چندوجهی Gemma 3 – بخش اول

00:11′

7.3. استفاده از مدل چندوجهی Gemma 3 – بخش دوم

00:08′

8.3. درک ویدئو با Qwen VL – بخش اول

00:22′

9.3. درک ویدئو با Qwen VL – بخش دوم

00:11′

1.4. دلایل Fine-tuning کردن VLM و مفهوم PEFT

00:13′

2.4. روش‌های LoRA و QLoRA

00:08′

3.4. مثال Fine-tuning روی سؤال و جواب تصویری

00:30′

4.4. مثال Fine-tuning روی OCR فرمول‌های ریاضی

00:11′

5.4. مثال Fine-tuning روی عکس‌های رادیولوژی

00:19′

1.5. آشنایی با تکنیک Diffusion

00:17′

2.5. آشنایی با معماری UNet

00:16′

3.5. استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۱

00:15′

4.5. استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۲

00:22′

5.5. بارگذاری یک مدل از پیش آموزش‌داده‌شده و خروجی گرفتن با DDIM

00:12′

6.5. Fine-tuning مدل

00:12′

7.5. مفهوم Control و Guidance

00:15′