آموزش هوش مصنوعی مولد و LLMOps: بلوک‌های ساختمانی و برنامه‌های کاربردی

Generative AI and LLMOps: Building Blocks and 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

  • انواع مهندسی سریع Types of prompt engineering

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش هوش مصنوعی مولد و LLMOps: بلوک‌های ساختمانی و برنامه‌های کاربردی
جزییات دوره
1h 21m
26
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
590
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Archana Vaidheeswaran Archana Vaidheeswaran

دانشمند داده، مهندس هوش مصنوعی و مدیر محصول داده

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.

Soham Chatterjee 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.