هوش مصنوعی مولد و مدل‌های منبع باز: تمرین عملی با مدل‌های صورت در آغوش گرفته

Generative AI and Open Source Models: Hands-On Practice with Hugging Face Models

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مدل های زبان بزرگ (LLM) به طور فزاینده ای در صنایع مختلف حیاتی می شوند. این دوره با مدرس هارپریت ساهوتا، سیر عمیقی به درونیات تولید متن با استفاده از LLM ارائه می دهد. با اهمیت توکن سازی، توکن های ویژه و قالب های چت در تولید متن آشنا شوید. نحوه دستکاری توکن انتخابی بعدی را بررسی کنید و درک فنی و شهودی از پارامترهای تولید مانند دما، top-p، top-k، جریمه تکرار، جریمه طول و لیست کلمات بد به دست آورید. کشف کنید که چگونه می‌توان این پارامترها را برای تشکیل استراتژی‌های رمزگشایی قدرتمند، از جمله جستجوی حریصانه، نمونه‌برداری چند جمله‌ای، جستجوی پرتو، و جستجوی متضاد ترکیب کرد. با استفاده از API تولید متن Hugging Face تجربه عملی به دست آورید و نگاهی گذرا به تعامل با NVIDIA NIM API برای کاوش در مدل های بزرگتر داشته باشید. در پایان این دوره، شما یک پایه محکم در کنترل تولید متن با LLM خواهید داشت که به شما امکان می دهد این مهارت ها را در سناریوهای دنیای واقعی به کار ببرید.

سرفصل ها و درس ها

مقدمه Introduction

  • هوش مصنوعی خود را به‌خوبی تنظیم کنید: تمرین عملی با مدل‌های صورت در آغوش گرفتن Fine-tune your AI: Hands-on practice with Hugging Face models

1. شروع به کار 1. Getting Started

  • چگونه LLM ها متن تولید می کنند؟ How do LLMs generate text?

  • دسترسی به پردازنده های گرافیکی Accessing GPUs

  • نمای کلی پلتفرم Hugging Face Overview of the Hugging Face platform

2. توکن ساز 2. Tokenizer

  • توکن سازی چیست؟ What is tokenization?

  • رمزگذاری و رمزگشایی متن Encoding and decoding text

  • قالب چت Tokenizer Tokenizer chat template

  • بازرسی توکنایزر Inspecting a tokenizer

3. بررسی پارامترهای تولید 3. Exploring Generation Parameters

  • Hugging Face Inference API Hugging Face Inference API

  • Top-k Top-k

  • سایر پارامترهای تولید Other generation parameters

  • بالا-p Top-p

  • نسل اول با مدل بومی First generation with a local model

  • مقدمه ای بر پارامترهای تولید Introduction to generation parameters

  • خطوط لوله Pipelines

  • دما Temperature

4. رمزگشایی استراتژی 4. Decoding Strategies

  • جستجوی پرتو با چند جمله ای Beam search with multinomial

  • جستجوی پرتو Beam search

  • نمونه برداری چند جمله ای Multinomial sampling

  • جستجوی متضاد Contrastive search

  • جستجوی حریصانه Greedy search

نتیجه گیری Conclusion

  • منابع فنی جالب Interesting technical resources

  • NVIDIA NIM API NVIDIA NIM API

نمایش نظرات

هوش مصنوعی مولد و مدل‌های منبع باز: تمرین عملی با مدل‌های صورت در آغوش گرفته
جزییات دوره
1h 52m
23
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
832
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Harpreet Sahota Harpreet Sahota

کارشناس یادگیری عمیق، دانشمند داده، مدیر روابط با برنامه نویس

Harpreet Sahota یک متخصص یادگیری عمیق، دانشمند داده، و مدیر روابط با توسعه دهنده است.

Harpreet در حال حاضر به عنوان یک مدیر روابط با توسعه دهنده کار می کند. مدیر روابط با توسعه دهندگان یادگیری عمیق در Deci AI، به جامعه توسعه دهندگان قدرت می دهد تا با استفاده از پلت فرم یادگیری عمیق Deci، یادگیری عمیق را بر روی هر نوع سخت افزاری ایجاد و استقرار دهند. او میزبان پادکست هنرمندان علم داده است، جایی که او به مخاطبان هزاران دانشمند داده که در مراحل اولیه شغلی هستند راهنمایی می کند و راهنمایی های فنی و حرفه ای در مورد مشاغل در این زمینه ارائه می دهد. در طول سال‌ها، هارپریت در نقش‌های رهبری ارشد مختلفی از جمله مدافع توسعه‌دهنده، مربی اصلی علم داده و دانشمند ارشد داده خدمت کرده است. او دارای مدرک کارشناسی ارشد علوم ریاضی و آمار از دانشگاه ایالتی ایلینوی است.