آموزش مقدمه ای بر مدل های زبان بزرگ (LLM) در پایتون
Introduction to Large Language Models (LLMs) In Python
پتانسیل مدل های زبان بزرگ (LLM) را با دوره جامع من باز کنید: "مقدمه ای بر مدل های زبان بزرگ (LLM) در پایتون." با تمرکز بر چارچوب های LLM مانند OpenAI، LangChain و LLMA-Index، این دوره به شما این امکان را می دهد تا دستیار مجازی خواندن اسناد خود را بسازید. چه در اجرای LLM تازه کار باشید و چه به دنبال پیشرفت مهارت های هوش مصنوعی خود هستید، این دوره فرصتی ارزشمند برای کشف زمینه های پیشرفته هوش مصنوعی ارائه می دهد.
نکات برجسته دوره:
- محیط پایتون مبتنی بر ابر: از قدرت Saturn Cloud، یک محیط پایتون مبتنی بر ابر، برای اجرای پیاده‌سازی‌های قوی LLM استفاده کنید.
- تجزیه و تحلیل عملی متن: یادگیری پیاده سازی تکنیک های ضروری پردازش زبان طبیعی (NLP)، از جمله شناسایی موجودیت و استخراج کلمه کلیدی، برای ساختارشکنی اسناد متنی
- استفاده از چارچوب‌های LLM: تکنیک‌های استاندارد چارچوب‌های LLM، از جمله LangChain، OpenAI و LLAMA-Index را برای خلاصه‌سازی انتزاعی و پرس‌وجو کشف کنید.
چرا در این دوره ثبت نام کنید؟
با ثبت نام در این دوره، سفری را آغاز می کنید تا در استفاده از پتانسیل داده های متنی با مدل های زبان بزرگ (LLM) متخصص شوید. با توجه به دیدگاه مربی باتجربه ما، که دارای مدرک کارشناسی ارشد از دانشگاه آکسفورد و مدرک دکترای مبتنی بر داده از دانشگاه کمبریج است، راهنمایی لازم برای پیمایش در پیچیدگی های اجرای LLM را دریافت خواهید کرد.
فراتر از محتوای دوره، از پشتیبانی مستمر بهره مند خواهید شد که تضمین می کند حداکثر ارزش را از سرمایه گذاری خود استخراج می کنید. به جامعه یادگیرندگان ما بپیوندید، خود را در تجزیه و تحلیل LLM غرق کنید و تخصص خود را در هوش مصنوعی و علم داده ارتقا دهید.
برای باز کردن قدرت داده‌های متنی با LLM اکنون ثبت‌نام کنید!
مقدمه ای بر دوره Introduction To The Course
-
به دوره خوش آمدید Welcome To the Course
-
داده و کد Data and Code
-
نصب پایتون Python Installation
-
با محیط مشارکتی گوگل شروع کنید Start With Google Colaboratory Environment
-
Google Colabs و GPU Google Colabs and GPU
-
نصب بسته ها در گوگل کولب Installing Packages In Google Colab
-
ابر دیگری برای کار کردن: ابر زحل Another Cloud To Work In: Saturn Cloud
-
به رابط زحل سلام کنید Say Hello To The Saturn Interface
-
شکست مغزی: مقابله با مشکلات حافظه Brain Fail: Dealing With Memory Problems
با LLM ها و زیرساخت های آنها شروع کنید Get Started With The LLMs and Their Infrastructure
-
دستیار مجازی خواندن اسناد چیست؟ What Is a Document Reading Virtual Assistant?
-
به OpenAI API دسترسی پیدا کنید Get Access To the OpenAI API
-
مقدمه ای بر LangChain Introduction to LangChain
شروع به خواندن و کاوش در داده ها کنید Start Reading in and Exploring Data
-
خواندن در یک پی دی اف Read in a Single PDF
-
خواندن در چندین فایل PDF Read In Multiple PDFs
-
روشی ساده تر برای خواندن در چندین فایل PDF A More Straightforward Way To Read in Multiple PDFs
-
درباره اسناد خود بیشتر بیاموزید: چرا به یک تجزیه و تحلیل اولیه NLP نیاز داریم Learn More About Your Documents: Why We Need A Preliminary NLP Analysis
-
تطبیق موجودیت Entity Matching
-
استخراج کلمه کلیدی Keyword Extraction
-
TF-IDF چیست؟ What Is TF-IDF?
-
شباهت متن Text Similarity
از LLM برای یادگیری از متن خود استفاده کنید Use LLMs To Learn From Your Text
-
بررسی اجمالی-فرایند خلاصه سازی Overview-The Summarisation Process
-
خلاصه کننده چکیده Abstract Summarizer
-
به سؤالات بر اساس متن-LangChain داده شده پاسخ دهید Answer Questions Based On Given Text-LangChain
-
عدم وابستگی های نظری Theoretical Undepinnings
-
با Llama-Index به سوالات پاسخ دهید Answer Questions With Llama-Index
مهندسی سریع مقدماتی Preliminary Prompt Engineering
-
مهندسی سریع چیست؟ What Is Prompt Engineering?
-
مهندسی سریع با Langchain Prompt Engineering With Langchain
پرایمر پایه پایتون Basic Python Primer
-
معرفی Numpy Introduction to Numpy
-
پاندا چیست؟ What Is Pandas?
-
پاکسازی اولیه داده ها با پانداها Basic Data Cleaning With Pandas
-
اصول اولیه تجسم داده ها Basic Principles of Data Visualisation
https://donyad.com/d/43c91c
Minerva Singh
دانشمند تحصیل کرده آکسبریج
سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم
نمایش نظرات