Kurzusleírás

Bevezetés az LLM-kbe és a generatív AI-ba

  • Technikák és modellek felfedezése
  • Alkalmazások és használati esetek megvitatása
  • Kihívások és korlátozások azonosítása

LLM-k használata NLU feladatokhoz

  • Hangulatelemzés
  • Névleges entitásfelismerés
  • Kapcsolatok kinyerése
  • Szemantikus elemzés

LLM-k használata NLI feladatokhoz

  • Következtetés észlelése
  • Ellentmondás észlelése
  • Parafrázis észlelése

LLM-k használata tudásgráfokhoz

  • Tények és kapcsolatok kinyerése szövegből
  • Hiányzó vagy új tények következtetése
  • Tudásgráfok felhasználása lefelé irányuló feladatokhoz

LLM-k használata józan észre alapuló érveléshez

  • Hihető magyarázatok, hipotézisek és forgatókönyvek generálása
  • Józan észre alapuló tudásbázisok és adathalmazok használata
  • Józan észre alapuló érvelés értékelése

LLM-k használata párbeszédgeneráláshoz

  • Párbeszéd generálása beszélgető ügynökökkel, chatbotokkal és virtuális asszisztensekkel
  • Párbeszéd kezelése
  • Párbeszéd adathalmazok és metrikák használata

LLM-k használata multimodális generáláshoz

  • Képek generálása szövegből
  • Szöveg generálása képekből
  • Videók generálása szövegből vagy képekből
  • Hang generálása szövegből
  • Szöveg generálása hangból
  • 3D modellek generálása szövegből vagy képekből

LLM-k használata meta-tanuláshoz

  • LLM-k alkalmazása új területekre, feladatokra vagy nyelvekre
  • Tanulás kevés vagy nulla példa alapján
  • Meta-tanulási és átviteli tanulási adathalmazok és keretrendszerek használata

LLM-k használata ellenséges tanuláshoz

  • LLM-k védelme rosszindulatú támadások ellen
  • Torzítások és hibák észlelése és csökkentése LLM-kben
  • Ellenséges tanulási és robosztussági adathalmazok és módszerek használata

LLM-k és generatív AI értékelése

  • Tartalom minőségének és sokféleségének értékelése
  • Metrikák használata, mint az inception score, Fréchet inception distance és BLEU score
  • Emberi értékelési módszerek használata, mint a crowdsourcing és felmérések
  • Ellenséges értékelési módszerek használata, mint a Turing tesztek és diszkriminátorok

Etikai elvek alkalmazása az LLM-k és a generatív AI esetében

  • Igazságosság és felelősségre vonhatóság biztosítása
  • Helytelen használat és visszaélés elkerülése
  • A tartalomkészítők és fogyasztók jogainak és magánéletének tiszteletben tartása
  • Az emberi és AI kreativitásának és együttműködésének előmozdítása

Összefoglalás és következő lépések

Követelmények

  • Alapvető AI fogalmak és terminológia ismerete
  • Tapasztalat Python programozásban és adatelemzésben
  • Ismeret a mélytanulási keretrendszerekben, mint a TensorFlow vagy a PyTorch
  • Alapvető ismeretek az LLM-kről és alkalmazásaikról

Célközönség

  • Adattudósok
  • AI fejlesztők
  • AI rajongók
 21 Órák

Résztvevők száma


Ár per résztvevő

Közelgő kurzusok

Rokon kategóriák