Kurzusleírás

Bevezetés a generatív AI-ba

  • Mi a generatív AI és miért fontos?
  • A generatív AI főbb típusai és technikái
  • A generatív mesterséges intelligencia fő kihívásai és korlátai

Transformer Architecture és LLM-ek

  • Mi az a transzformátor és hogyan működik?
  • A transzformátor fő összetevői és jellemzői
  • Transzformátorok használata LLM-ek építéséhez

Méretezési törvények és optimalizálás

  • Mik azok a skálázási törvények, és miért fontosak az LLM-ek számára?
  • Hogyan kapcsolódnak a méretezési törvények a modell méretéhez, az adatmérethez, a számítási költségvetéshez és a következtetési követelményekhez?
  • Hogyan segíthetik a skálázási törvények az LLM-ek teljesítményének és hatékonyságának optimalizálását?

LLM-ek képzése és finomhangolása

  • Az LLM-ek képzésének fő lépései és kihívásai a semmiből
  • Az LLM-ek konkrét feladatokra történő finomhangolásának előnyei és hátrányai
  • A legjobb gyakorlatok és eszközök az LLM-ek képzéséhez és finomhangolásához

LLM-ek telepítése és használata

  • Az LLM-ek éles üzembe helyezésének fő szempontjai és kihívásai
  • Az LLM-ek gyakori felhasználási esetei és alkalmazásai különböző területeken és iparágakban
  • LLM-ek integrálása más AI rendszerekkel és platformokkal

A generatív AI etikája és jövője

  • A generatív AI és LLM-ek etikai és társadalmi vonatkozásai
  • A generatív mesterséges intelligencia és az LLM lehetséges kockázatai és ártalmai, például elfogultság, félretájékoztatás és manipuláció
  • A generatív AI és LLM-ek felelősségteljes és jótékony használata

Összegzés és a következő lépések

Követelmények

    A gépi tanulási koncepciók megértése, mint például a felügyelt és felügyelet nélküli tanulás, veszteségi függvények és adatfelosztás. Tapasztalat Python programozásban és adatmanipulációban Neurális hálózatok és természetes nyelvi feldolgozás alapismeretei

Közönség

    Fejlesztők A gépi tanulás szerelmesei
 21 Hours

Résztvevők száma



Ár per résztvevő

Rokon tanfolyam

Rokon kategóriák