Kurzusleírás

Bevezetés a finomhangolásba

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

Felkészülés a finomhangolásra

  • Adatkészletek gyűjtése és tisztítása
  • A feladatspecifikus adatkövetelmények megértése
  • Feltáró adatelemzés és előfeldolgozás

Finomhangolási technikák

  • Tanulás átvitele és jellemzők kinyerése
  • Transzformátorok finomhangolása Hugging Face-val
  • Finomhangolás a felügyelt és a nem felügyelt feladatokhoz

Finomhangolás Large Language Models (LLMs)

  • LLM-ek adaptálása NLP-feladatokhoz (pl. szövegosztályozás, összegzés)
  • LLM-ek képzése egyéni adatkészletekkel
  • Az LLM viselkedésének vezérlése gyors tervezéssel

Optimalizálás és értékelés

  • Hiperparaméter hangolás
  • A modell teljesítményének értékelése
  • A túl- és alulilleszkedés kezelése

Méretezési finomhangolási erőfeszítések

  • Finomhangolás elosztott rendszereken
  • Felhőalapú megoldások kihasználása a méretezhetőség érdekében
  • Esettanulmányok: Nagyszabású finomhangolási projektek

Legjobb gyakorlatok és kihívások

  • A sikeres finomhangolás legjobb gyakorlatai
  • Gyakori kihívások és hibaelhárítás
  • Etikai megfontolások az AI modellek finomhangolásánál

Speciális témák (opcionális)

  • Multimodális modellek finomhangolása
  • Nullalövésű és néhány lövéssel történő tanulás
  • LoRA (Low-Rank Adaptation) technikák feltárása

Összegzés és a következő lépések

Követelmények

  • A gépi tanulás alapjainak megértése
  • Python programozási tapasztalat
  • Az előre betanított modellek és alkalmazásuk ismerete

Közönség

  • Adattudósok
  • Gépi tanulási mérnökök
  • AI kutatók
 14 Órák

Résztvevők száma


Ár résztvevőnként

Közelgő kurzusok

Rokon kategóriák