در این فصل چه یاد میگیری#
سامانهات کار میکند، سریع است، و در دسترس. این فصل سؤالِ دیگری میپرسد.
و بهجای موعظه، سه چیز را اندازه میگیریم:
- سوگیریِ جنسیتیِ همان مدلی که در پنج فصل بهش تکیه کردیم — «پرستار» به «زن» و «خلبان» به «مرد» متمایل است، و آزمایشِ کنترلی ثابت میکند این نویز نیست.
- نشتِ دادهٔ آموزش — یک حملهٔ ساده که با دقتِ بالاتر از شانس حدس میزند کدام جمله در آموزش بوده.
- مصرفِ انرژی — با فرضهای صریح، نه با عددِ نقلشده از جایی.
بعد یک model card کامل میسازیم که هر بندش از یک اندازهگیری آمده.

آخر این فصل میتوانی:
- سوگیری را اندازه بگیری، نه ادعا یا انکار
- خطرِ حفظ شدنِ دادهٔ آموزش را بسنجی
- هزینهٔ انرژی را با فرضهای صریح تخمین بزنی
- یک
model cardبنویسی که کسی بتواند رویش تصمیم بگیرد
قبل از شروع#
از ترمِ ۴ فصل ۲: سوگیری در بردارهای embedding و اینکه چطور نشانش بدهی. این فصل همان را روی مدلی میآورد که در کلِ این ترم بهکارش بردیم.
از فصل ۳ همین ترم: الگوی آزمایشِ کنترلی.
💡 نکته: زمانِ تخمینی روی CPU: کمتر از دو دقیقه.
📓 نوتبوک: نوتبوک این فصل را در Colab باز کن — همهٔ کدهای این فصل آماده و بهترتیب داخلش هست.
۱. سوگیری، اندازهگیریشده#
import torch
import torch.nn.functional as F
from transformers import AutoModel, AutoTokenizer
NAME = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
tokenizer = AutoTokenizer.from_pretrained(NAME)
encoder = AutoModel.from_pretrained(NAME)
encoder.eval()
@torch.no_grad()
def vec(texts):
b = tokenizer(texts, padding=True, truncation=True, max_length=16, return_tensors="pt")
hidden = encoder(**b).last_hidden_state
m = b["attention_mask"].unsqueeze(-1).float()
return F.normalize((hidden * m).sum(1) / m.sum(1), dim=1)
MALE = ["مرد", "پسر", "آقا", "پدر"]
FEMALE = ["زن", "دختر", "خانم", "مادر"]
JOBS = ["پرستار", "مهندس", "معلم", "خلبان", "منشی", "برنامهنویس", "آشپز", "پزشک"]
male_vec = vec(MALE).mean(0)
female_vec = vec(FEMALE).mean(0)
job_vecs = vec(JOBS)
print(f" {'شغل':<14} {'میلِ به مردانه':>14}")
for job, v in zip(JOBS, job_vecs):
lean = float(v @ male_vec - v @ female_vec)
bar = "◀" * int(max(0, -lean) * 200) + "▶" * int(max(0, lean) * 200)
print(f" {job:<14} {lean:>+14.4f} {bar}")
شغل میلِ به مردانه
پرستار -0.3081 ◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀◀
مهندس +0.1183 ▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶
معلم +0.0233 ▶▶▶▶
خلبان +0.1743 ▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶
منشی -0.0142 ◀◀
برنامهنویس +0.0233 ▶▶▶▶
آشپز +0.0912 ▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶▶
پزشک +0.0349 ▶▶▶▶▶▶
✅ چک کن: علامتِ «پرستار» باید منفی باشد و «خلبان» مثبت. اگر عددهایت دهها برابر بزرگتر از این جدول شدند (مثلاً −۴٫۷ برای پرستار)،
F.normalizeرا درvecجا انداختهای: بدونِ آن، طولِ بردارها در ضربِ داخلی وارد میشود و عدد دیگر کسینوس نیست.
«پرستار» بهشدت به سمتِ زنانه، «خلبان» و «مهندس» به سمتِ مردانه.
و این مدل همان مدلی است که در ترمِ ۴ و ۵ و همین ترم به آن تکیه کردیم. سوگیری چیزی نیست که «مدلهای دیگر» داشته باشند.
ریشهاش هم پیچیده نیست: مدل روی متنِ نوشتهشدهٔ آدمها آموزش دیده. اگر در آن متنها «پرستار» بیشتر کنارِ ضمیرِ مؤنث آمده، مدل همان الگو را یاد گرفته. مدل جامعه را قضاوت نمیکند، بازتابش میدهد — و اگر روی تصمیمگیری سوارش کنی، تقویتش میکند.
۲. ولی از کجا معلوم این عددها معنادار باشند؟#
همان الگوی فصلِ ۳: یک نسخهٔ بیمعنا بساز و همان اندازهگیری را رویش بزن.
import random
rng = random.Random(0)
pairs = [(m, f) for m in MALE for f in FEMALE]
shuffled = []
for m, f in pairs:
a, b = (m, f) if rng.random() < 0.5 else (f, m)
shuffled.append((a, b))
control_a = vec([a for a, _ in shuffled]).mean(0)
control_b = vec([b for _, b in shuffled]).mean(0)
real_gap = float((job_vecs @ male_vec - job_vecs @ female_vec).abs().mean())
control_gap = float((job_vecs @ control_a - job_vecs @ control_b).abs().mean())
print("میانگینِ قدرمطلقِ میل، با گروهبندیِ واقعی :", f"{real_gap:.4f}")
print("همان، با گروهبندیِ درهمریخته :", f"{control_gap:.4f}")
میانگینِ قدرمطلقِ میل، با گروهبندیِ واقعی : 0.0985
همان، با گروهبندیِ درهمریخته : 0.0169
📏 اندازه بگیر: ۰٫۰۹۸ در برابرِ ۰٫۰۱۷ برای این یک درهمریختن. ولی یک درهمریختن فقط یک نمونه است، پس بیست بار تکرارش کنیم:
gaps = []
for seed in range(20):
mixer = random.Random(seed)
left, right = [], []
for m, f in pairs:
a, b = (m, f) if mixer.random() < 0.5 else (f, m)
left.append(a)
right.append(b)
gaps.append(float((job_vecs @ vec(left).mean(0) - job_vecs @ vec(right).mean(0)).abs().mean()))
print(f"۲۰ درهمریختن: میانگین {sum(gaps) / 20:.4f} · کمینه {min(gaps):.4f} · بیشینه {max(gaps):.4f}")
print(f"گروهبندیِ واقعی: {real_gap:.4f}")
۲۰ درهمریختن: میانگین 0.0293 · کمینه 0.0133 · بیشینه 0.0570
گروهبندیِ واقعی: 0.0985
میانگینِ کنترل حدودِ ۰٫۰۳ است و بیشینهاش هم از عددِ واقعی پایینتر است: حدودِ سه برابر، نه شش برابر. وقتی کلمههای مردانه و زنانه را درهم میریزیم، دو گروهِ ساختگی میسازیم که هیچ محورِ معناییای بینشان نیست، و میل کم میشود. پس آن ۰٫۳۰۸ برای «پرستار» از ساختارِ فضا آمده، نه از تصادفِ نمونهگیری.
بدونِ این خطِ پایه، هر عددِ کوچکی میتوانست «سوگیری» نامیده شود — یا هر عددی «ناچیز» شمرده شود. آزمایشِ کنترلی تفاوتِ «اندازه گرفتم» با «حدس زدم» است.
و چهار قیدِ صادقانه که باید کنارِ این جدول بنویسی:
- هشت شغل و هشت کلمه، نمونهٔ کوچکی است (ترمِ ۵ فصلِ ۶).
- این عدد فقط این محور را میسنجد. قومیت، مذهب، منطقهٔ جغرافیایی، سن — هیچکدام اینجا سنجیده نشدند.
- جنسیت را دودویی فرض کردیم، چون این آزمون اینطور ساخته شده. خودِ این فرض یک محدودیت است، نه یک واقعیت.
- و مهمتر از همه: کم بودنِ عدد بهمعنای بیضرر بودنِ سامانه نیست. ضرر در کاربرد تعریف میشود: همین مدل در یک موتورِ جستوجو تقریباً بیخطر است و در یک سامانهٔ غربالگریِ رزومه، نه.
۳. آیا مدل دادهٔ آموزش را لو میدهد؟#
import numpy as np
from sklearn.linear_model import LogisticRegression
train_feat = vec(train_texts[:300]).numpy()
val_feat = vec(val_texts).numpy()
model = LogisticRegression(max_iter=2000).fit(train_feat, train_labels[:300])
train_conf = model.predict_proba(train_feat).max(axis=1)
val_conf = model.predict_proba(val_feat).max(axis=1)
print("میانگینِ اطمینان روی دادهٔ آموزش :", f"{train_conf.mean():.4f}")
print("میانگینِ اطمینان روی دادهٔ ندیده :", f"{val_conf.mean():.4f}")
print("شکاف :", f"{train_conf.mean() - val_conf.mean():+.4f}")
threshold = np.median(np.concatenate([train_conf, val_conf]))
guess = np.concatenate([train_conf, val_conf]) > threshold
truth = np.concatenate([np.ones(len(train_conf)), np.zeros(len(val_conf))])
print("دقتِ حدسِ «این نمونه در آموزش بود؟»:", f"{(guess == truth).mean():.4f}", "(شانس: 0.5)")
میانگینِ اطمینان روی دادهٔ آموزش : 0.7601
میانگینِ اطمینان روی دادهٔ ندیده : 0.7159
شکاف : +0.0441
دقتِ حدسِ «این نمونه در آموزش بود؟»: 0.5508 (شانس: 0.5)
۵۵ درصد در برابرِ شانسِ ۵۰ درصد. سیگنالِ کوچکی است — ولی صفر نیست. فقط یک دام در این عدد هست: ۳۰۰ عضو و ۱۷۲ غیرعضو داریم، پس کسی که همیشه بگوید «بله» از این حمله بهتر میزند. حمله را روی دو گروهِ هماندازه بسنجیم:
print("اگر همیشه بگوییم «بله»:", f"{len(train_conf) / (len(train_conf) + len(val_conf)):.4f}")
scores = []
for seed in range(20):
picked = np.random.default_rng(seed).choice(len(train_conf), len(val_conf), replace=False)
members = train_conf[picked]
limit = np.median(np.concatenate([members, val_conf]))
right = (members > limit).sum() + (val_conf <= limit).sum()
scores.append(right / (2 * len(val_conf)))
print(f"با دو گروهِ هماندازه، ۲۰ انتخاب: میانگین {np.mean(scores):.4f} · کمینه {min(scores):.4f} · بیشینه {max(scores):.4f} (شانس: 0.5)")
اگر همیشه بگوییم «بله»: 0.6356
با دو گروهِ هماندازه، ۲۰ انتخاب: میانگین 0.5587 · کمینه 0.5233 · بیشینه 0.5756 (شانس: 0.5)
با گروههای هماندازه هم بالای ۰٫۵ میماند. حملهٔ واقعی را همیشه اینطور گزارش کن، یا کنارش بگو همیشهبله چند میگیرد؛ وگرنه عدد معنا ندارد.
این سادهترین شکلِ چیزی است که «حملهٔ استنتاجِ عضویت» نامیده میشود: مهاجم فقط با نگاه کردن به اطمینانِ خروجی حدس میزند که یک نمونهٔ مشخص در دادهٔ آموزش بوده یا نه.
چرا مهم است؟ فرض کن مدلت روی سوابقِ پزشکی آموزش دیده باشد. همین حمله یعنی کسی میتواند بفهمد پروندهٔ فلانی در آن مجموعه بوده — و همان، خودش افشای اطلاعات است، حتی اگر محتوای پرونده لو نرود.
سیگنالِ ما کوچک است، و دلیلش هم روشن: یک LogisticRegression روی ۳۰۰ نمونه ظرفیتِ زیادی برای حفظ کردن ندارد. مدلی با میلیاردها پارامتر روی دادهٔ کم، شکافِ خیلی بزرگتری میسازد — و مدلهای زبانیِ بزرگ در مواردی جملههای کاملِ دادهٔ آموزش را عیناً بازتولید کردهاند.
چهار کارِ عملی که این ریسک را کم میکنند:
- دادهٔ حساس را اصلاً وارد آموزش نکن. سادهترین و مؤثرترین.
- قبل از آموزش پاکسازی کن — همان
scrubترمِ ۵ فصلِ ۹. - تکرارِ نمونهها را کم کن. آنچه بارها تکرار شده، بیشتر حفظ میشود.
- و اگر داده واقعاً حساس است، سراغِ روشهای آموزش با تضمینِ حریمِ خصوصی برو — که هزینهٔ دقت دارند و باید آگاهانه پرداختشان کنی.
۴. هزینهٔ انرژی، با فرضِ صریح#
PARAMS = sum(p.numel() for p in encoder.parameters())
TOKENS_PER_CALL = 32
CALLS_PER_DAY = 100_000
flops_per_call = 2 * PARAMS * TOKENS_PER_CALL
print("FLOP در هر تماس :", f"{flops_per_call:,}")
print("FLOP در روز :", f"{flops_per_call * CALLS_PER_DAY:,}")
JOULES_PER_FLOP = 1e-11 # عددِ نمونه — از مشخصاتِ سختافزارِ خودت دربیاور
kwh = flops_per_call * CALLS_PER_DAY * JOULES_PER_FLOP / 3_600_000
print("انرژیِ روزانه (تخمین):", f"{kwh:.4f}", "کیلوواتساعت")
print("نسبتِ آموزش به استنتاج در یک سالِ سرویس: به تمرینِ آخرِ فصل نگاه کن")
FLOP در هر تماس : 7,529,840,640
FLOP در روز : 752,984,064,000,000
انرژیِ روزانه (تخمین): 0.0021 کیلوواتساعت
نسبتِ آموزش به استنتاج در یک سالِ سرویس: به تمرینِ آخرِ فصل نگاه کن
فرمولِ ۲ × پارامتر × توکن تقریبِ رایجِ کارِ یک forward است — یک ضرب و یک جمع بهازای هر پارامتر و هر توکن. ولی فقط برای پارامترهایی درست است که روی هر توکن ضرب میشوند. جدولِ embedding جدولِ جستوجوست: هر توکن یک سطرش را میخواند و بقیه کاری نمیکنند. در این مدل، خودِ لایههای خطی را بشماریم:
macs = {"n": 0}
def count(module, inputs, output):
macs["n"] += inputs[0].numel() / inputs[0].shape[-1] * module.in_features * module.out_features
hooks = [m.register_forward_hook(count) for m in encoder.modules() if isinstance(m, torch.nn.Linear)]
long_input = tokenizer(["کلمه " * 40], truncation=True, max_length=32, return_tensors="pt")
with torch.no_grad():
encoder(**long_input)
for hook in hooks:
hook.remove()
counted = 2 * int(macs["n"])
table = encoder.embeddings.word_embeddings.weight.numel()
print("سهمِ جدولِ embedding از پارامترها:", f"{table / PARAMS:.1%}")
print("FLOP شمردهشدهٔ لایههای خطی در یک تماس:", f"{counted:,}")
print("نسبتِ فرمول به شمارش:", round(flops_per_call / counted, 1))
print("انرژیِ روزانه با عددِ شمردهشده:", f"{counted * CALLS_PER_DAY * JOULES_PER_FLOP / 3_600_000:.4f}", "کیلوواتساعت")
سهمِ جدولِ embedding از پارامترها: 81.6%
FLOP شمردهشدهٔ لایههای خطی در یک تماس: 1,359,249,408
نسبتِ فرمول به شمارش: 5.5
انرژیِ روزانه با عددِ شمردهشده: 0.0004 کیلوواتساعت
فرمول برای این مدل حدودِ پنج و نیم برابر زیاد میگوید، چون ۸۲ درصدِ پارامترها در همان جدولاند. قبل از استفاده از هر فرمولِ سرانگشتی، فرضش را با مدلِ خودت بسنج.
و JOULES_PER_FLOP را عمداً بهعنوانِ یک متغیر گذاشتیم، نه یک عددِ حکیمانه. این عدد به سختافزار، به بار، و به کارایی بستگی دارد و هر عددی که در کتابی نوشته شود فردا غلط است. کارِ درست این است: مصرفِ توانِ دستگاهت را از مشخصاتش بردار، بر گذردهیات تقسیم کن، و عددِ خودت را بساز.
و نکتهٔ عملیای که اغلب از قلم میافتد: نسبتِ انرژیِ استنتاج و آموزش به حجمِ سرویس بستگی دارد. آموزش یک بار است و استنتاج بهازای هر تماس. برای سرویسی با میلیاردها تماس، استنتاج برنده میشود؛ برای سرویسِ کمترافیک، آموزش. تمرینِ ستارهدار این را با عدد نشان میدهد و جوابش احتمالاً غافلگیرت میکند. هر جا استنتاج سهمِ بزرگی دارد، بهینهسازیاش (فصلِ ۲ و ۵) یک تصمیمِ زیستمحیطی هم هست، نه فقط مالی.
۵. model card#
CARD = {
"نام": "طبقهبندِ موضوعِ فارسی",
"نسخه": "1.0.0",
"کارِ مدل": "دستهبندیِ جملهٔ فارسی به چهار موضوع",
"کارِ خارج از حدود": "متنِ غیرفارسی، جملهٔ بلند، موضوعی بیرون از این چهار",
"دادهٔ آموزش": "۳۰۰ جملهٔ ساختگی از الگوهای دستی — بدونِ دادهٔ واقعیِ کاربر",
"متریک": {"دقتِ اعتبارسنجی": round(float(model.score(val_feat, val_labels)), 4), "مجموعهٔ آزمون": len(val_texts)},
"سوگیریِ اندازهگیریشده": {"میلِ جنسیتیِ مشاغل": round(real_gap, 4),
"خطِ پایهٔ درهمریخته": round(control_gap, 4)},
"حدِ شناختهشده": ["روی متنِ محاورهای سنجیده نشده",
"مدلِ پایه عمدتاً روی متنِ انگلیسی آموزش دیده"],
"تماس": "نامِ نگهدارنده و راهِ گزارشِ خطا",
}
import json
print(json.dumps(CARD, ensure_ascii=False, indent=2))
{
"نام": "طبقهبندِ موضوعِ فارسی",
"نسخه": "1.0.0",
"کارِ مدل": "دستهبندیِ جملهٔ فارسی به چهار موضوع",
"کارِ خارج از حدود": "متنِ غیرفارسی، جملهٔ بلند، موضوعی بیرون از این چهار",
"دادهٔ آموزش": "۳۰۰ جملهٔ ساختگی از الگوهای دستی — بدونِ دادهٔ واقعیِ کاربر",
"متریک": {
"دقتِ اعتبارسنجی": 0.9709,
"مجموعهٔ آزمون": 172
},
"سوگیریِ اندازهگیریشده": {
"میلِ جنسیتیِ مشاغل": 0.0985,
"خطِ پایهٔ درهمریخته": 0.0169
},
"حدِ شناختهشده": [
"روی متنِ محاورهای سنجیده نشده",
"مدلِ پایه عمدتاً روی متنِ انگلیسی آموزش دیده"
],
"تماس": "نامِ نگهدارنده و راهِ گزارشِ خطا"
}
«دقتِ اعتبارسنجی» را از خودِ model همین فصل گرفتیم، نه از فصلِ ۵: آنجا سر روی ۴۰۰ نمونه و با max_length=32 آموزش دیده بود و ۰٫۹۷۶۷ گرفت، و این مدلی دیگر است. «سوگیری» هم از بخشِ ۱ همین فصل میآید. هیچ بندی از این کارت نقلِ قول از جای دیگری نیست، حتی از فصلِ قبلِ خودمان.
و دو بند از همه مهمترند و همان دوتاییاند که همه جا میافتند:
- «کارِ خارج از حدود» — چیزی که مدل برایش ساخته نشده. بدونِ آن، کاربر فرض میکند همهکاره است.
- «خطِ پایهٔ درهمریخته» کنارِ عددِ سوگیری — بدونِ آن، خواننده نمیداند ۰٫۰۹۸ زیاد است یا کم.
۶. سیاههٔ تحویل#
CHECKS = [
("کارِ مدل و مرزهایش نوشته شده", bool(CARD.get("کارِ خارج از حدود"))),
("منبعِ دادهٔ آموزش شفاف است", bool(CARD.get("دادهٔ آموزش"))),
("متریک با اندازهٔ مجموعهٔ آزمون آمده", "مجموعهٔ آزمون" in CARD.get("متریک", {})),
("سوگیری اندازه گرفته شده، نه ادعا", bool(CARD.get("سوگیریِ اندازهگیریشده"))),
("حدود صریح نوشته شده", len(CARD.get("حدِ شناختهشده", [])) > 0),
("راهِ گزارشِ خطا هست", bool(CARD.get("تماس"))),
]
for label, ok in CHECKS:
print(f" {'✓' if ok else '✗'} {label}")
print(f"\n {sum(ok for _, ok in CHECKS)} از {len(CHECKS)} بند")
✓ کارِ مدل و مرزهایش نوشته شده
✓ منبعِ دادهٔ آموزش شفاف است
✓ متریک با اندازهٔ مجموعهٔ آزمون آمده
✓ سوگیری اندازه گرفته شده، نه ادعا
✓ حدود صریح نوشته شده
✓ راهِ گزارشِ خطا هست
6 از 6 بند
این شش خط را در CI بگذار. اگر model card ناقص باشد، بیلد بشکند — دقیقاً مثلِ تستِ واحد.
چون مستندسازی چیزی است که همیشه «بعداً» انجام میشود، و «بعداً» یعنی هرگز.
۷. چهار سؤال، قبل از ساختن#
و آخرین چیز، که کدی برایش نیست:
- این سامانه دربارهٔ چه کسی تصمیم میگیرد، و آن شخص میداند؟
- اگر اشتباه کند، هزینهاش را چه کسی میدهد؟ اگر «کاربر» است و «تو» نیستی، انگیزهات با نفعِ او همراستا نیست و باید عمداً جبرانش کنی.
- راهِ اعتراض چیست؟ سامانهای که خطایش قابلِ گزارش و اصلاح نباشد، خطایش را برای همیشه نگه میدارد.
- و اگر نسازمش چه میشود؟ گاهی جوابِ درست «هیچ» است — و آنوقت شاید اصلاً لازم نباشد.
اینها سؤالهای فلسفی نیستند، سؤالهای طراحیاند. هر کدامشان یک بندِ مشخص در model card یا یک قابلیت در محصول میسازد.
واژههای تازهٔ این فصل#
| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| model card | مدل کارت | سندی که کارِ مدل، متریکها، سوگیری و حدودش را میگوید |
| measured bias | میژرد بایاس | سوگیریِ اندازهگیریشده با خطِ پایه، نه ادعاشده |
| membership inference | ممبرشیپ اینفرنس | حدسِ اینکه یک نمونه در دادهٔ آموزش بوده یا نه |
| memorization | ممورایزیشن | بازتولیدِ عینِ دادهٔ آموزش توسطِ مدل |
| out-of-scope use | اوت-آف-اسکوپ یوز | کاربردهایی که مدل برایشان ساخته نشده |
| inference footprint | اینفرنس فوتپرینت | مجموعِ هزینهٔ اجرای مدل در طولِ عمرِ سرویس |
🔧 اگر کار نکرد: اگر عددهای سوگیریات با کتاب فرق دارند ولی ترتیبِ شغلها همان است، مسئلهای نیست — نسخهٔ مدل کمی متفاوت است. ولی اگر خطِ پایهٔ درهمریخته به عددِ واقعی نزدیک شد،
MALEوFEMALEرا با کلمههایی پر کردهای که خودشان محورِ روشنی نمیسازند — کلمههای تک و بدونِ ابهام انتخاب کن.
🤖 از دستیارت بپرس: «
differential privacyدر آموزشِ مدل دقیقاً چه تضمینی میدهد؟» بعد این را بپرس: «چه هزینهای روی دقت دارد؟» — و همانجا میبینی که حریمِ خصوصی هم مثلِ هر چیزِ دیگری در این دوره یک بدهبستان است، نه یک سوئیچ.
تمرینها
اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.
در فصل بعد#
فصلِ آخر. پروژهای که خودت انتخاب میکنی، از صفر تا انتشار — با همان چیزهایی که در شش ترم ساختی: خطِ پایه، eval، گزارشِ صادقانه، و model card. و یک نقشه از اینکه از اینجا به کجا میتوانی بروی.
به آخر این فصل رسیدی!
اگر ساختی و جواب داد، این دکمه مال توست.