آموزش مدل‌های زبان بزرگ: LLM ساختمان و تنظیم دقیق برای کاربردهای صنعتی
Large Language Models: Building and Fine-Tuning LLMs for Industry Applications
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
-
انواع مهندسی سریع Types of prompt engineering
نتیجه Conclusion
-
مراحل بعدی Next steps
Linkedin (لینکدین)
لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.
لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.
https://donyad.com/d/ea2389
Archana Vaidheeswaran
دانشمند داده، مهندس هوش مصنوعی و مدیر محصول داده
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.
Soham Chatterjee
سوهام چاترجی پیشرو در یادگیری ماشین است.
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