Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés a generatív mesterséges intelligenciába
- Mivé tevékenységet jelent a generatív mesterséges intelligencia és miért fontos?
- A generatív mesterséges intelligencia fő típusai és technikái
- A generatív mesterséges intelligencia kulcskészségei és korlátjai
Transzformációs architektúra és LLMs
- Mivé tevékenységet jelent a transzformáció és hogyan működik?
- A transzformáció fő komponensei és jellemzői
- Transzformátort használva LLMs készítése
Skálázási törvények és optimalizálás
- Mivé tevénységként szolgálnak a skálázási törvények és miért fontosak az LLMs-nak?
- Hogyan kapcsolódnak a skálázási törvények a modellméret, az adatmennyiség, a számítási költségek és az inferencia követelményeihez?
- Hogyan segíthetnek a skálázási törvények a teljesítmény és hatékonyság optimalizálásában az LLMs-nak?
Az LLMs képzése és finomhangolása
- Az LLMs alaptanításának fő lépései és kihívásai
- A feladat specifikus finomhangolás előnyei és hátrányai
- Az LLMs alaptanításához és finomhangolásához ajánlott gyakorlatok és eszközök
Az LLMs üzembe helyezése és használata
- Az LLMs éles környezetben való üzembe helyezésének fő fontosságai és kihívásai
- Az LLMs gyakori alkalmazási területei és alkalmazásaik a különböző területeken és iparágakban
- Az LLMs integrálása más mesterséges intelligencia rendszerekkel és platformokkal
Etika és a generatív mesterséges intelligencia jövője
- A generatív mesterséges intelligencia és az LLMs etikai és társadalmi implikációi
- A generatív mesterséges intelligencia és az LLMs potenciális kockázatai és ártalmak, mint például a torzítás, hamisinformációk és manipuláció
- Felelős és hasznos generatív mesterséges intelligencia és LLMs használata
Összefoglalás és következő lépések
Követelmények
- Ismeret az alapvető gépi tanulási koncepciókról, mint például a felügyelt és nem felügyelt tanulás, a veszteségfüggvények és az adatszétvágás.
- Tapasztalat Python programozással és adatmanipulációval.
- Alapvető ismeretek neurális hálózatokról és természetes nyelvfeldolgozásról.
Célcsoport
- Fejlesztők
- Gépi tanulási entuziasták
21 Órák
Vélemények (7)
Példák és hivatkozások excel tárház
Olga - GE HealthCare
Kurzus - Generative AI with Large Language Models (LLMs)
Gépi fordítás
sok példa és különböző ellenőrzési eszközök
Bartosz - GE HealthCare
Kurzus - Generative AI with Large Language Models (LLMs)
Gépi fordítás
Egyedi GPT-k, gyors tervezés
Marcin Stezowski - GE HealthCare
Kurzus - Generative AI with Large Language Models (LLMs)
Gépi fordítás
Széles perspektíva
Artur - GE HealthCare
Kurzus - Generative AI with Large Language Models (LLMs)
Gépi fordítás
Műszaki példák az elmélettel összefüggésben.
Marcin - GE HealthCare
Kurzus - Generative AI with Large Language Models (LLMs)
Gépi fordítás
A Mikołaj informatikán kívüli háttere lehetővé teszi ennek a témának a különböző szemszögből történő bemutatását – ez nagyon szükséges az informatikusoknak!
Grzegorz - GE HealthCare
Kurzus - Generative AI with Large Language Models (LLMs)
Gépi fordítás
Az informatikai szempontoktól eltérő magyarázat. Hozzáadott érték
Marcin - GE HealthCare
Kurzus - Generative AI with Large Language Models (LLMs)
Gépi fordítás
