تنظیم دقیق برای LLM: از مبتدی تا پیشرفته

Fine-Tuning for LLMs: from Beginner to Advanced

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره از جدیدترین پیشرفت‌ها در مدل‌های زبان بزرگ (LLM) مانند FLAN-T5 بهره می‌برد و متخصصان را قادر می‌سازد تا از این ابزارها به طور مؤثر در چشم‌انداز هوش مصنوعی در حال تکامل به‌سرعت استفاده کنند. مربی اکسل سیروتا به شما کمک می کند پایه ای قوی در مبانی LLM ایجاد کنید و معماری، تکامل و نقش آنها را در چشم انداز فعلی هوش مصنوعی بررسی کنید. به مهندسی سریع بپردازید و بیاموزید که چگونه اعلان‌های مؤثری را ایجاد کنید که خروجی‌های LLM را برای کارهای خاص راهنمایی می‌کند. سپس با استفاده از LoRA به یادگیری انتقال و تنظیم دقیق PEFT بپردازید و نحوه انطباق و بهینه سازی LLM ها را برای وظایف مختلف NLP بیابید. هر بخش دوره شامل کلیپ‌های لایو اکشن، اسلایدها و دموها و همچنین چالش‌های دنیای واقعی است که مهندسی سریع، یادگیری انتقال و تکنیک‌های تنظیم دقیق را برای افزایش قابلیت‌های FLAN-T5 پوشش می‌دهد. به علاوه، شما یک پروژه نهایی متمرکز بر ایجاد یک راه حل NLP شامل تجزیه و تحلیل احساسات، خلاصه سازی متن و پاسخ به سؤال را تکمیل خواهید کرد.

سرفصل ها و درس ها

مقدمه Introduction

  • شروع به تنظیم دقیق LLM های خود Beginning to fine-tune your LLMs

  • بررسی نسخه Version check

  • بیشترین بهره را از این دوره ببرید Getting the most out of this course

1. مقدمه ای بر مدل های زبان بزرگ (LLM) 1. Introduction to Large Language Models (LLMs)

  • کاربردهای LLM Applications of LLMs

  • ملاحظات اخلاقی در LLM Ethical considerations in LLMs

  • LLMs: انقلابی در هوش مصنوعی LLMs: Revolutionizing AI

  • FLAN-T5 در فوکوس FLAN-T5 in focus

  • مقایسه LLM ها Comparing LLMs

  • معماری LLM The architecture of LLMs

2. استفاده از LLM با مهندسی سریع 2. Utilizing LLMs with Prompt Engineering

  • مطالعات موردی در مهندسی سریع Case studies in prompt engineering

  • نسخه ی نمایشی: مهندسی سریع با FLAN-T5 Demo: Prompt engineering with FLAN-T5

  • نسخه ی نمایشی: استفاده از ICL و الگوها هنگام درخواست Demo: Using ICL and Patterns while prompting

  • مهندسی سریع با FLAN-T5 Prompt engineering with FLAN-T5

  • ایجاد دستورات موثر Crafting effective prompts

  • راه حل: طراحی اعلان ترجمه Solution: Designing a translation prompt

  • مبانی مهندسی سریع Basics of prompt engineering

3. انتقال یادگیری برای وظایف NLP 3. Transfer Learning for NLP Tasks

  • نسخه ی نمایشی: ارزیابی ترجمه ها Demo: Evaluating translations

  • انتخاب مدل هایی برای یادگیری انتقالی Choosing models for transfer learning

  • ارزیابی پیامدهای یادگیری انتقالی Evaluating transfer learning outcomes

  • راه حل: تقویت ترجمه با یادگیری انتقالی Solution: Enhancing translation with transfer learning

  • انتقال یادگیری در LLM Transfer learning in LLMs

  • نسخه ی نمایشی: انتقال یادگیری با FLAN-T5 Demo: Transfer learning with FLAN-T5

4. تنظیم دقیق PEFT با LoRA 4. PEFT Fine-Tuning with LoRA

  • آداپتورهای LoRA LoRA adapters

  • پیاده سازی LoRA در LLM Implementing LoRA in LLMs

  • راه حل: تنظیم دقیق FLAN-T5 برای ترجمه Solution: Fine-tuning FLAN-T5 for translation

  • نسخه ی نمایشی: تنظیم دقیق LoRA در FLAN-T5 Demo: LoRA fine-tuning on FLAN-T5

  • مقدمه ای بر PEFT Introduction to PEFT

  • LoRA در عمق: تجزیه و تحلیل فنی LoRA in depth: Technical analysis

  • نسخه ی نمایشی: چالش ها در LoRA Demo: Challenges in LoRA

5. پروژه: ایجاد یک راه حل کامل NLP 5. Project: Creating a Full NLP Solution

  • راه حل: تنظیم دقیق مدل پرسش و پاسخ Solution: Fine-tuning the Q&A model

  • نسخه ی نمایشی: ادغام همه چیز در راه حل ما Demo: Integrating everything into our solution

  • راه حل: تنظیم دقیق مدل تحلیل احساسات Solution: Fine-tuning the sentiment analysis model

  • راه حل: تنظیم دقیق مدل خلاصه سازی Solution: Fine-tuning the summarization model

نتیجه گیری Conclusion

  • خلاصه دوره و نکات کلیدی Course recap and key takeaways

  • یادگیری مستمر در زمینه LLM Continuous learning in the field of LLMs

  • استفاده از LLM برای پروژه های آینده Leveraging LLMs for future projects

  • موضوعات پیشرفته و روندهای آینده در LLM Advanced topics and future trends in LLMs

نمایش نظرات

تنظیم دقیق برای LLM: از مبتدی تا پیشرفته
جزییات دوره
3h 25m
37
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
4,938
- از 5
دارد
دارد
دارد
Axel Sirota
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Axel Sirota Axel Sirota

آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.