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
- Mik azok a Large Language Models (LLMs)?
- LLM-ek kontra hagyományos NLP-modellek
- Az LLM-ek jellemzőinek és architektúrájának áttekintése
- Az LLM-ek kihívásai és korlátai
Az LLM-ek megértése
- Az LLM életciklusa
- Hogyan működnek az LLM-ek
- Az LLM fő összetevői: kódoló, dekódoló, figyelem, beágyazások stb.
Kezdő lépések
- A Fejlesztési Környezet kialakítása
- LLM telepítése fejlesztői eszközként, pl. Google Colab, Hugging Face
Együttműködés LLM-ekkel
- Az elérhető LLM lehetőségek feltárása
- LLM létrehozása és használata
- LLM finomhangolása egyéni adatkészleten
Szöveg Összegzés
- A szövegösszegzés feladatának és alkalmazásainak megértése
- LLM használata kivonatoló és absztrakt szövegösszegzéshez
- A generált összefoglalók minőségének értékelése olyan mérőszámok segítségével, mint a ROUGE, BLEU stb.
Kérdés megválaszolása
- A kérdés megválaszolás feladatának és alkalmazásainak megértése
- LLM használata nyílt és zárt tartományú kérdések megválaszolásához
- A generált válaszok pontosságának értékelése olyan mérőszámok segítségével, mint az F1, EM stb.
Szöveggenerálás
- A szöveggenerálás feladatának és alkalmazásainak megértése
- LLM használata feltételes és feltétel nélküli szöveggeneráláshoz
- A generált szövegek stílusának, hangjának és tartalmának szabályozása olyan paraméterekkel, mint a hőmérséklet, top-k, top-p stb.
LLM-ek integrálása más keretrendszerekkel és platformokkal
- LLM-ek használata PyTorch vagy TensorFlow funkcióval
- LLM-ek használata Flask vagy Streamlit funkcióval
- LLM-ek használata Google Cloud vagy AWS szolgáltatással
Hibaelhárítás
- Az LLM-ek gyakori hibáinak és hibáinak megértése
- A TensorBoard használata az edzési folyamat figyelésére és megjelenítésére
- PyTorch Lightning használata a képzési kód egyszerűsítésére és a teljesítmény javítására
- Hugging Face adatkészletek használata az adatok betöltésére és előfeldolgozására
Összegzés és a következő lépések
Követelmények
- A természetes nyelvi feldolgozás és a mélytanulás megértése
- Tapasztalat Python és PyTorch vagy TensorFlow
- Alapszintű programozási tapasztalat
Közönség
- Fejlesztők
- NLP rajongók
- Adattudósok
14 Órák
