دوره طبقه‌بندی خودکار محتوای README گیت‌هاب با LLM: راهنمای جامع برای افزایش دیده‌شدن و مشارکت در پروژه‌های متن‌باز همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طبقه‌بندی خودکار محتوای README گیت‌هاب با LLM: راهنمای جامع برای افزایش دیده‌شدن و مشارکت در پروژه‌های متن‌باز

موضوع کلی: مهندسی نرم‌افزار مبتنی بر هوش مصنوعی و LLMها

موضوع میانی: کاربرد LLMها در بهبود کیفیت و قابلیت استفاده مخازن گیت‌هاب

📋 سرفصل‌های دوره

• 1. مبانی مهندسی نرم‌افزار در قرن 21
• 2. انقلاب هوش مصنوعی در مهندسی نرم‌افزار
• 3. نقش مدل‌های زبان بزرگ (LLM) در توسعه نرم‌افزار
• 4. مقدمه‌ای بر گیت‌هاب و اکوسیستم متن‌باز
• 5. اهمیت مخازن گیت‌هاب در دنیای توسعه نرم‌افزار
• 6. چالش‌های مدیریت و درک مخازن گیت‌هاب
• 7. فایل README: اولین نقطه تماس با مخزن
• 8. اهمیت README در جذب مشارکت‌کنندگان و کاربران
• 9. محدودیت‌های روش‌های سنتی طبقه‌بندی مخازن
• 10. معرفی رویکرد طبقه‌بندی مبتنی بر LLM
• 11. مروری بر مقاله "LLM-based Content Classification Approach for GitHub Repositories by the README Files"
• 12. اهداف و محدوده این دوره آموزشی
• 13. مفاهیم پایه مدل‌های زبان بزرگ (LLM)
• 14. معماری مدل‌های ترنسفورمر
• 15. نحوه عملکرد LLM ها در درک زبان طبیعی
• 16. انواع LLM ها و کاربردهایشان
• 17. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 18. تکنیک‌های پیش‌پردازش متن برای LLM ها
• 19. توکن‌سازی و واژگان‌سازی (Tokenization and Vocabulary)
• 20. بردارسازی متون (Text Vectorization)
• 21. Embedding های متنی (Word Embeddings, Sentence Embeddings)
• 22. شناخت مفاهیم کلیدی در README فایل‌ها
• 23. استخراج اطلاعات کلیدی از README
• 24. روش‌های اولیه تحلیل محتوای README
• 25. تحلیل مبتنی بر قوانین و الگوها (Rule-based and Pattern Matching)
• 26. محدودیت‌های روش‌های سنتی
• 27. معرفی طبقه‌بندی محتوا (Content Classification)
• 28. انواع وظایف طبقه‌بندی در NLP
• 29. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 30. چارچوب‌های نرم‌افزاری برای NLP و ML
• 31. نصب و راه‌اندازی محیط توسعه
• 32. معرفی کتابخانه‌های کلیدی (TensorFlow, PyTorch, Hugging Face Transformers)
• 33. کار با داده‌های گیت‌هاب
• 34. نحوه جمع‌آوری داده‌های README
• 35. مجموعه داده‌های مورد استفاده در مقاله
• 36. ساخت مجموعه داده سفارشی برای طبقه‌بندی
• 37. آماده‌سازی داده‌ها برای آموزش LLM
• 38. پیش‌پردازش و پاکسازی متن README
• 39. مدل‌سازی موضوعات (Topic Modeling) در README
• 40. شناخت ساختار README فایل‌ها
• 41. شناسایی بخش‌های مختلف README (عنوان، توضیحات، نصب، استفاده)
• 42. روش‌های استخراج خودکار بخش‌های README
• 43. توسعه مدل LLM برای طبقه‌بندی README
• 44. انتخاب LLM مناسب برای وظیفه
• 45. تنظیم دقیق (Fine-tuning) LLM ها
• 46. آموزش مدل از ابتدا (Training from scratch)
• 47. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 48. تکنیک‌های Fine-tuning و Prompt Engineering
• 49. طراحی Prompt های مؤثر برای طبقه‌بندی
• 50. فرمت‌بندی ورودی برای LLM
• 51. راهنمایی LLM برای تمرکز بر بخش‌های خاص README
• 52. شناخت انواع دسته‌بندی‌های ممکن برای مخازن
• 53. طبقه‌بندی بر اساس زبان برنامه‌نویسی
• 54. طبقه‌بندی بر اساس دامنه کاربرد (وب، موبایل، هوش مصنوعی)
• 55. طبقه‌بندی بر اساس سطح پیچیدگی
• 56. طبقه‌بندی بر اساس نوع پروژه (کتابخانه، فریم‌ورک، ابزار)
• 57. طبقه‌بندی بر اساس چارچوب‌های توسعه (Frameworks)
• 58. کدنویسی عملی: پیاده‌سازی یک سیستم طبقه‌بندی ساده
• 59. آماده‌سازی داده‌ها و بارگذاری
• 60. انتخاب و تنظیم یک LLM ساده
• 61. ارزیابی اولیه مدل
• 62. کدنویسی پیشرفته: استفاده از Hugging Face Transformers
• 63. بارگذاری مدل‌های از پیش آموزش‌دیده
• 64. تنظیم دقیق یک مدل برای طبقه‌بندی README
• 65. ارزیابی مدل با معیارهای استاندارد
• 66. تفسیر نتایج مدل
• 67. پردازش فایل‌های README بزرگ و پیچیده
• 68. چالش‌های پردازش متن طولانی
• 69. تکنیک‌های خلاصه‌سازی متن (Text Summarization)
• 70. کاربرد خلاصه‌سازی در استخراج ویژگی‌های README
• 71. مدل‌سازی معنایی عمیق‌تر
• 72. استفاده از LLM ها برای درک روابط بین کلمات و جملات
• 73. تشخیص نیت (Intent Detection) در README
• 74. شناخت نیازمندی‌های پروژه از README
• 75. شناسایی وابستگی‌ها و نیازمندی‌های نصب
• 76. استفاده از LLM برای کشف خودکار تگ‌ها و دسته‌بندی‌ها
• 77. مبتنی بر محتوا (Content-based) و مبتنی بر مشارکت‌کنندگان (Collaborative Filtering)
• 78. ترکیب رویکردها برای بهبود دقت
• 79. بهبود قابلیت استفاده (Usability) مخازن با طبقه‌بندی
• 80. یافتن پروژه‌های مرتبط با نیازهای کاربر
• 81. پیشنهاد پروژه‌های مشابه
• 82. افزایش دیده‌شدن (Discoverability) مخازن
• 83. راهکارهایی برای بهبود SEO مخازن گیت‌هاب
• 84. استفاده از طبقه‌بندی برای سازماندهی مخازن
• 85. ارزیابی و اعتبارسنجی مدل طبقه‌بندی
• 86. انتخاب معیارهای ارزیابی مناسب (Accuracy, Precision, Recall, F1-score)
• 87. تکنیک‌های اعتبارسنجی متقابل (Cross-validation)
• 88. تحلیل خطاها و شناسایی نقاط ضعف مدل
• 89. بهبود مدل بر اساس نتایج اعتبارسنجی
• 90. کاربرد LLM ها در جنبه‌های دیگر README
• 91. تولید خودکار بخش‌های README
• 92. پیشنهاد بهبود برای README های موجود
• 93. مقایسه روش‌های مختلف LLM برای طبقه‌بندی README
• 94. ارزیابی مقایسه‌ای مدل‌های مختلف (BERT, RoBERTa, GPT)
• 95. تاثیر اندازه مدل بر عملکرد
• 96. پیاده‌سازی یک سیستم طبقه‌بندی مقیاس‌پذیر
• 97. استفاده از ابزارهای MLOps
• 98. استقرار مدل طبقه‌بندی
• 99. پایش عملکرد مدل در طول زمان
• 100. ملاحظات اخلاقی و حریم خصوصی در استفاده از LLM ها