Zkuste nás kontaktovat

Návrh Školení

Úvod do doladění

  • Co je to doladění?
  • Příklady využití a výhody doladění
  • Přehled již natrenovaných modelů a transferového učení

Příprava na doladění

  • Shromažďování a čištění datových sad
  • Porozumění požadavkům na data pro konkrétní úlohu
  • Evaluace dat a jejich předzpracování

Techniky doladění

  • Transferové učení a extrakce rysů z modelů
  • Doladění transformátorů pomocí nástroje Hugging Face
  • Rozdíly mezi doladěním na supervizované a nesupervizované úlohy

Doladění velkých jazykových modelů (LLM)

  • Přizpůsobení LLM na úlohy z oblasti NLP (např. klasifikace textu, sumarizace)
  • Trénování velkých jazykových modelů s využitím vlastních datových sad
  • Řízení chování LLM pomocí inženýrství promptů

Optimalizace a hodnocení výsledků

  • Doladění hyperparametrů modelu
  • Hodnocení výkonnosti modelu
  • Předcházení nadměrnému přizpůsobení či nedostatečné adaptaci modelu<\/li>

Škálování procesů doladění

  • Doladění na distribuovaných systémech
  • Využití cloudových řešení k škálování procesů doladění
  • Příklady z praxe: rozsáhlé projekty doladění modelů

Osvědčené postupy a běžné výzvy

  • Osvedčené postupy pro úspěšné doladění modelů
  • Běžné problémy při doladění a způsoby jejich řešení
  • Ethická hlediska při doladění umělých inteligencí

Pokročilá témata (volitelně)

  • Doladění multimodálních modelů
  • Zero-shot a few-shot učení
  • Možnosti využití techniky LoRA (Low-Rank Adaptation)

Shrnutí a další kroky

Požadavky

  • Znalost základních principů strojového učení
  • Zkušenosti s programováním v Pythonu
  • Orientace v již natrenovaných modelech a jejich využití

Cílová skupina

  • Datoví vědci
  • Inženýři strojového učení
  • Výzkumníci v oblasti umělé inteligence
 14 Hodiny

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie