Lépjen kapcsolatba velünk

Kurzusleírás

Bevezetés a Finomhangolásba

  • Mi a finomhangolás?
  • A finomhangolás használati esetei és előnyei
  • Az előre betanított modellek és az átviteli tanulás áttekintése

Felkészülés a Finomhangolásra

  • Adathalmazok gyűjtése és tisztítása
  • A feladatspecifikus adatkövetelmények megértése
  • Adatelemzés és előfeldolgozás

Finomhangolási Technikák

  • Átviteli tanulás és jellemzőkinyerés
  • Transzformerek finomhangolása Hugging Face segítségével
  • Finomhangolás felügyelt vs felügyelet nélküli feladatokhoz

Nagy Nyelvi Modellek (LLMs) Finomhangolása

  • LLMs adaptálása NLP feladatokhoz (pl. szövegosztályozás, összefoglalás)
  • LLMs betanítása egyéni adathalmazokkal
  • LLMs viselkedésének szabályozása prompt tervezéssel

Optimalizálás és Értékelés

  • Hiperparaméterek hangolása
  • Modell teljesítményének értékelése
  • Túltanulás és alultanulás kezelése

Finomhangolás Méretezése

  • Finomhangolás elosztott rendszereken
  • Felhőalapú megoldások kihasználása méretezhetőség érdekében
  • Esettanulmányok: Nagy léptékű finomhangolási projektek

Legjobb Gyakorlatok és Kihívások

  • Legjobb gyakorlatok a sikeres finomhangoláshoz
  • Gyakori kihívások és hibaelhárítás
  • Etikai megfontolások a mesterséges intelligencia modellek finomhangolásában

Haladó Témák (Opcionális)

  • Többmódusú modellek finomhangolása
  • Zero-shot és few-shot tanulás
  • LoRA (Low-Rank Adaptation) technikák vizsgálata

Összefoglalás és Következő Lépések

Követelmények

  • A gépi tanulás alapjainak ismerete
  • Tapasztalat Python programozásban
  • Ismeret az előre betanított modellek és alkalmazásaik terén

Célközönség

  • Adattudósok
  • Gépi tanulás mérnökök
  • Művészeti intelligencia kutatók
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák