لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مدلهای زبان بزرگ: LLM ساختمان و تنظیم دقیق برای کاربردهای صنعتی
Large Language Models: Building and Fine-Tuning LLMs for Industry Applications
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
از آنجایی که مدلهای زبانی بزرگ به طور فزایندهای در صنایع مختلف رواج پیدا میکنند، متخصصان باید بدانند که چگونه این مدلها را بهطور مؤثر و مسئولانه بسازند، تنظیم کنند و به کار ببرند. در این دوره، پایه های ساخت، تنظیم دقیق و استقرار LLM ها در برنامه های کاربردی دنیای واقعی را بیاموزید. مربیان Soham Chatterjee و Archana Vaidheeswaran با مقدمه ای بر LLMs و تکامل آنها در چشم انداز هوش مصنوعی شروع می کنند. سپس به معماری LLM می پردازند، به شما نشان می دهند که چگونه استراتژی ها را برای کارهای سفارشی تنظیم کنید، توضیح می دهند که چرا و چگونه LLM ها را فشرده کنید، و در نهایت، جنبه های مهم مهندسی سریع را پوشش می دهند. در طول دوره، آنها یک سری چالش ها و راه حل ها را ارائه می دهند تا بتوانید در حین رفتن، درس ها را تمرین کنید.
سرفصل ها و درس ها
معرفی
Introduction
LLM برای صنعت
LLMs for industry
LLM های خاص صنعت
Industry-specific LLMs
1. مقدمه ای بر LLM و کاربردهای آنها
1. Introduction to LLMs and Their Applications
درک LLM و تکامل آنها
Understanding LLMs and their evolution
کاربردهای دنیای واقعی LLM
Real-world applications of LLMs
2. غواصی در معماری LLM
2. Diving Into LLM Architectures
بلوک های سازنده LLM
The building blocks of LLMs
مروری بر معماری های LLM
Overview of LLM architectures
راه حل: LLM برای تجزیه و تحلیل احساسات
Solution: LLM for sentiment analysis
چگونه LLM ها متن را پردازش و تولید می کنند
How LLMs process and generate text
چالش: LLM برای تجزیه و تحلیل احساسات
Challenge: LLM for sentiment analysis
استفاده از یک LLM ساده
Using a simple LLM
3. استراتژی های تنظیم دقیق برای وظایف سفارشی
3. Fine-Tuning Strategies for Custom Tasks
راه حل: یک LLM از قبل آموزش دیده را تنظیم دقیق کنید
Solution: Fine-tune a pre-trained LLM
مقدمه ای بر تنظیم دقیق برای LLM
Introduction to fine-tuning for LLMs
راهنمای گام به گام تنظیم دقیق LLM
Step-by-step guide to fine-tuning LLMs
بهترین شیوه ها برای تنظیم دقیق LLM
Best practices for fine-tuning LLMs
چالش: یک LLM از پیش آموزش دیده را به دقت تنظیم کنید
Challenge: Fine-tune a pre-trained LLM
4. تکنیک های فشرده سازی برای LLMs
4. Compression Techniques for LLMs
عملی: پیاده سازی فشرده سازی در LLM
Hands-on: Implementing compression in LLMs
راه حل: یک LLM را کمی کنید
Solution: Quantize a LLM
چرا LLM ها را فشرده کنیم؟
Why compress LLMs?
مقدمه ای بر کوانتیزاسیون و هرس
Introduction to quantization and pruning
چالش: کمی کردن یک LLM
Challenge: Quantize a LLM
5. مهندسی سریع برای ارتباطات موثر LLM
5. Prompt Engineering for Effective LLM Communication
راه حل: ترغیب LLM ها برای تولید متن
Solution: Prompting LLMs to generate text
مهندسی سریع چیست؟
What is prompt engineering?
چالش: ترغیب LLM ها برای تولید متن
Challenge: Prompting LLMs to generate text
بهترین شیوه ها برای مهندسی سریع موثر
Best practices for effective prompt engineering
Archana Vaidheeswaran یک مهندس هوش مصنوعی، دانشمند داده و مدیر پروژه است
Archana ابتکار عمل Scaledown را اجرا می کند. چارچوب بهینه سازی شبکه عصبی منبع برای دستگاه های TinyML. او همچنین مدیر اطلاعات محصول در Women Who Code است. او پس از دریافت مدرک لیسانس خود در دانشگاه SRM، در دانشگاه ملی سنگاپور تحصیل کرد و در آنجا مدرک کارشناسی ارشد خود را در مهندسی برق و کامپیوتر گرفت.
سوهام یک محقق یادگیری عمیق با بیش از شش سال تجربه در تحقیق، ساخت، استقرار، و حفظ بینایی کامپیوتر و محصولات NLP است. او همچنین مدرس دوره Udacity's How to Become a Machine Learning Engineer است که در آن به دانش آموزان می آموزد که چگونه مدل های یادگیری ماشین را با استفاده از AWS به کار گیرند.
نمایش نظرات