Kurzusleírás

Bevezetés

  • Mik a Nagy Nyelvi Modellek (LLMs)?
  • LLMs vs hagyományos NLP modellek
  • Az LLMs jellemzőinek és architektúrájának áttekintése
  • Az LLMs kihívásai és korlátai

Az LLMs megértése

  • Az LLM életciklusa
  • Hogyan működnek az LLMs
  • Az LLM főbb összetevői: kódoló, dekódoló, figyelem, beágyazások stb.

Bevezetés

  • Fejlesztői környezet beállítása
  • LLM telepítése fejlesztői eszközként, pl. Google Colab, Hugging Face

Munka az LLMs-ekkel

  • Elérhető LLM lehetőségek feltárása
  • LLM létrehozása és használata
  • LLM finomhangolása egyéni adathalmazon

Szövegösszefoglalás

  • A szövegösszefoglalás feladatának és alkalmazásainak megértése
  • LLM használata kivonatos és absztrakt szövegösszefoglaláshoz
  • A generált összefoglalók minőségének értékelése olyan metrikákkal, mint a ROUGE, BLEU stb.

Kérdésmegválaszolás

  • A kérdésmegválaszolás feladatának és alkalmazásainak megértése
  • LLM használata nyílt és zárt tartományú kérdésmegválaszoláshoz
  • A generált válaszok pontosságának értékelése olyan metrikákkal, mint az F1, EM stb.

Szöveggenerálás

  • A szöveggenerálás feladatának és alkalmazásainak megértése
  • LLM használata feltételes és feltétel nélküli szöveggeneráláshoz
  • A generált szövegek stílusának, hangnemének és tartalmának szabályozása olyan paraméterekkel, mint a hőmérséklet, top-k, top-p stb.

LLMs integrálása más keretrendszerekkel és platformokkal

  • LLMs használata PyTorch vagy TensorFlow mellett
  • LLMs használata Flask vagy Streamlit mellett
  • LLMs használata Google Cloud vagy AWS mellett

Hibaelhárítás

  • Az LLMs gyakori hibáinak és hibáinak megértése
  • TensorBoard használata a képzési folyamat monitorozásához és vizualizálásához
  • PyTorch Lightning használata a képzési kód egyszerűsítéséhez és a teljesítmény javításához
  • Hugging Face Datasets használata az adatok betöltéséhez és előfeldolgozásához

Összefoglalás és következő lépések

Követelmények

  • A természetes nyelvfeldolgozás és a mélytanulás ismerete
  • Tapasztalat Python és PyTorch vagy TensorFlow használatában
  • Alapvető programozási tapasztalat

Célközönség

  • Fejlesztők
  • NLP rajongók
  • Adattudósok
 14 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák