دوره آموزشی تنظیم دقیق مدلهای زبان بزرگ: از مبتدی تا پیشرفته
3 ساعت 15 دقیقهپیشرفته2024-09-03
مدرسین

Axel Sirota
جزئیات دوره
این دوره از جدیدترین پیشرفتها در مدلهای زبان بزرگ (LLM) مانند FLAN-T5 بهره میبرد و متخصصان را قادر میسازد تا از این ابزارها به طور مؤثر در چشمانداز هوش مصنوعی در حال تکامل بهسرعت استفاده کنند. مربی اکسل سیروتا به شما کمک می کند پایه ای قوی در مبانی LLM ایجاد کنید و معماری، تکامل و نقش آنها را در چشم انداز فعلی هوش مصنوعی بررسی کنید. به مهندسی سریع بپردازید و بیاموزید که چگونه اعلانهای مؤثری را ایجاد کنید که خروجیهای LLM را برای کارهای خاص راهنمایی میکند. سپس با استفاده از LoRA به یادگیری انتقال و تنظیم دقیق PEFT بپردازید و نحوه انطباق و بهینه سازی LLM ها را برای وظایف مختلف NLP بیابید. هر بخش دوره شامل کلیپهای لایو اکشن، اسلایدها و دموها و همچنین چالشهای دنیای واقعی است که مهندسی سریع، یادگیری انتقال و تکنیکهای تنظیم دقیق را برای افزایش قابلیتهای FLAN-T5 پوشش میدهد. به علاوه، شما یک پروژه نهایی متمرکز بر ایجاد یک راه حل NLP شامل تجزیه و تحلیل احساسات، خلاصه سازی متن و پاسخ به سؤال را تکمیل خواهید کرد.
مهارت ها
Hugging FaceNatural Language Processing (NLP)Generative AIArtificial Intelligence (AI)One-Off
سرفصل ها
0. مقدمه
- 01 - شروع به تنظیم دقیق LLMهای خود
- 02 - بیشترین بهره را از این دوره ببرید
- 03 - بررسی نسخه
1. مقدمه ای بر مدلهای زبان بزرگ (LLM)
- 04 - LLMs - انقلابی در هوش مصنوعی
- 05 - معماری LLMs
- 06 - کاربردهای LLM
- 07 - ملاحظات اخلاقی در LLM
- 08 - مقایسه LLMs
- 09 - FLAN-T5 در فوکوس
2. استفاده از LLM با مهندسی سریع
- 10 - مبانی مهندسی سریع
- 11 - ایجاد دستورات مؤثر
- 12 - مهندسی سریع با FLAN-T5
- 13 - دمو - مهندسی سریع با FLAN-T5
- 14 - نسخه ی نمایشی - استفاده از ICL و Patternها در هنگام درخواست
- 15 - مطالعات موردی در مهندسی سریع
- 16 - راه حل - طراحی اعلان ترجمه
3. انتقال یادگیری برای وظایف NLP
- 17 - انتقال یادگیری در LLM
- 18 - انتخاب مدلهای یادگیری انتقالی
- 19 - دمو - انتقال یادگیری با FLAN-T5
- 20 - ارزیابی پیامدهای یادگیری انتقالی
- 21 - نسخه ی نمایشی - ارزیابی ترجمه ها
- 22 - راه حل - تقویت ترجمه با یادگیری انتقالی
4. تنظیم دقیق PEFT با LoRA
- 23 - مقدمه ای بر PEFT
- 24 - آداپتورهای LoRA
- 25 - LoRA در عمق - تحلیل فنی
- 26 - دمو - تنظیم دقیق LoRA در FLAN-T5
- 27 - پیادهسازی LoRA در LLM
- 28 - نسخه ی نمایشی - چالشها در LoRA
- 29 - راه حل - تنظیم دقیق FLAN-T5 برای ترجمه
5. پروژه - ایجاد یک راه حل کامل NLP
- 30 - راه حل - تنظیم دقیق مدل تحلیل احساسات
- 31 - راه حل - تنظیم دقیق مدل پرسش و پاسخ
- 32 - راه حل - تنظیم دقیق مدل خلاصه سازی
- 33 - نسخه ی نمایشی - ادغام همه چیز در راه حل ما
نتیجه گیری
- 34 - خلاصه دوره و نکات کلیدی
- 35 - موضوعات پیشرفته و روندهای آینده در LLM
- 36 - استفاده از LLM برای پروژههای آینده
- 37 - یادگیری مستمر در رشته LLM
دوره های مرتبط
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین چتبات مکالمهای خودت
- دوره آموزشی ساخت برنامههای ارزیابی LLM با LangChain
- دوره آموزشی کارگاه هوش مصنوعی: ساخت برنامههای هوش مصنوعی با مدلهای Hugging Face
- دوره آموزشی تحلیل احساسات با هوش مصنوعی با استفاده از PyTorch و ترنسفورمرهای Hugging Face
- دوره آموزشی برنامه نویسی هوش مصنوعی مولد: از رمزگذارهای خودکار متغیر تا انتشار پایدار با PyTorch و Hugging Face
- دوره آموزشی ساخت یک راهحل RAG از ابتدا
- دوره آموزشی مقدمه عملی بر Hugging Face برای توسعهدهندگان
- دوره آموزشی برنامههای پیشرفته RAG با پایگاههای داده برداری (Vector Databases)