Kurzusleírás

Bevezetés a nagy nyelvi modellekbe

  • A Natural Language Processing (NLP) áttekintése
  • Bevezetés a Large Language Models (LLMs)-ba
  • A Meta AI hozzájárulása az LLM fejlesztéséhez

A Meta AI LLM-ek felépítésének megértése

  • Transzformátor architektúra és önfigyelő mechanizmusok
  • Képzési módszertanok nagyméretű modellekhez
  • Összehasonlítás más LLM-ekkel (GPT, BERT, T5 stb.)

A fejlesztői környezet beállítása

  • A Python és a Jupyter Notebook telepítése és konfigurálása
  • Munka a Hugging Face és a Meta AI modelltárával
  • Felhőalapú vagy helyi GPU-ek használata a képzéshez

Fine-Tuning és a Meta AI LLM-ek testreszabása

  • Előképzett modellek betöltése
  • Domainspecifikus adatkészletek finomhangolása
  • Tanulási technikák átvitele

NLP alkalmazások készítése Meta AI LLM-ekkel

  • Chatbotok és társalgási AI fejlesztése
  • Szövegösszegzés és átfogalmazás megvalósítása
  • Érzelemelemzés és tartalommoderálás

Nagy nyelvi modellek optimalizálása és bevezetése

  • Teljesítményhangolás a következtetési sebességhez
  • Modell tömörítési és kvantálási technikák
  • LLM-ek telepítése API-k és felhőplatformok segítségével

Etikai megfontolások és felelősségteljes mesterséges intelligencia

  • Elfogultság észlelése és enyhítése LLM-ekben
  • Az átláthatóság és a méltányosság biztosítása a mesterséges intelligencia modellekben
  • A mesterséges intelligencia jövőbeli trendjei és fejlesztései

Összegzés és a következő lépések

Követelmények

  • A gépi tanulás és a mély tanulás alapvető ismerete
  • Python programozásban szerzett tapasztalat
  • A természetes nyelvi feldolgozás (NLP) fogalmainak ismerete

Közönség

  • AI kutatók
  • Adattudósok
  • Machine Learning Mérnökök
  • Az NLP iránt érdeklődő szoftverfejlesztők
 21 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák