Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Návrh Školení
Úvod
- Co jsou Large Language Models (LLMs)? LLM vs tradiční modely NLP Přehled funkcí a architektury LLM Výzvy a omezení LLM
Pochopení LLM
- Životní cyklus LLM Jak LLM fungují Hlavní součásti LLM: kodér, dekodér, pozornost, vložení atd.
Začínáme
- Nastavení vývojového prostředí Instalace LLM jako vývojového nástroje, např. Google Colab, Hugging Face
Práce s LLM
- Prozkoumání dostupných možností LLM Vytvoření a používání LLM Jemné doladění LLM na vlastní datové sadě
Shrnutí textu
- Pochopení úlohy sumarizace textu a jejích aplikací Použití LLM pro extrakční a abstraktní sumarizaci textu Hodnocení kvality generovaných souhrnů pomocí metrik jako ROUGE, BLEU atd.
Odpověď na otázku
- Pochopení úlohy zodpovězení otázek a jejích aplikací Použití LLM pro zodpovídání otázek v otevřené a uzavřené doméně Hodnocení přesnosti generovaných odpovědí pomocí metrik jako F1, EM atd.
Generování textu
- Pochopení úlohy generování textu a jeho aplikací Použití LLM pro podmíněné a nepodmíněné generování textu Ovládání stylu, tónu a obsahu generovaných textů pomocí parametrů, jako je teplota, top-k, top-p atd.
Integrace LLM s jinými frameworky a platformami
- Používání LLM s PyTorch nebo TensorFlow Používání LLM s Flask nebo Streamlit Používání LLM s Google Cloud nebo AWS
Odstraňování problémů
- Pochopení běžných chyb a chyb v LLM Použití TensorBoard k monitorování a vizualizaci tréninkového procesu Použití PyTorch Lightning ke zjednodušení tréninkového kódu a zlepšení výkonu Použití Hugging Face Datasets k načtení a předběžnému zpracování dat
Shrnutí a další kroky
Požadavky
- Porozumění zpracování přirozeného jazyka a hluboké učení Zkušenosti s Pythonem a PyTorch nebo TensorFlow Basic zkušenostmi s programováním
Publikum
- Vývojáři NLP nadšenci Data vědci
14 hodiny
