Kurzusleírás

Bevezetés a Finomhangolásba

  • Mi a finomhangolás?
  • A finomhangolás használati esetei és előnyei
  • Áttekintés az előre betanított modellekről és a transzfer tanulásról

Felkészülés a Finomhangolásra

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

Finomhangolási Technikák

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

Nagy Nyelvi Modellek (LLM) Finomhangolása

  • LLM-ek adaptálása NLP feladatokhoz (pl. szövegosztályozás, összefoglalás)
  • LLM-ek tanítása egyéni adathalmazokkal
  • LLM viselkedés szabályozása prompt tervezéssel

Optimalizálás és Értékelés

  • Hiperparaméterek hangolása
  • Modell teljesítmény értékelése
  • Túlbizonyosság és alulbizonyosság kezelése

Finomhangolás Méretezése

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

Ajánlott Gyakorlatok és Kihívások

  • Ajánlott gyakorlatok a sikeres finomhangoláshoz
  • Gyakori kihívások és hibaelhárítás
  • Etikai megfontolások a finomhangolt AI modellek területén

Haladó Témák (Opcionális)

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

Összefoglalás és Következő Lépések

Követelmények

  • A gépi tanulás alapjainak ismerete
  • Tapasztalat Python programozásban
  • Ismeret az előre betanított modellek alkalmazásaiban

Célközönség

  • Adattudósok
  • Gépi tanulás mérnökök
  • AI kutatók
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák