Návrh Školení

Úvod do otevřených modelů LLM

  • Co jsou modely s otevřeným váhováním a proč jsou důležité
  • Přehled LLaMA, Mistral, Qwen a dalších komunitních modelů
  • Případy použití pro soukromé, místní nebo bezpečné nasazení

Nastavení prostředí a nástrojů

  • Instalace a konfigurace knihoven Transformers, Datasets a PEFT
  • Výběr vhodného hardwaru pro přizpůsobení
  • Nahrávání předtrénovaných modelů z Hugging Face nebo jiných repozitářů

Příprava a předzpracování dat

  • Formáty datových sad (instrukční přizpůsobení, chat data, pouze text)
  • Tokenizace a správa sekvencí
  • Vytváření vlastních datových sad a návrhářů datových sad

Přizpůsobovací techniky

  • Standardní plné přizpůsobení vs. efektivní metody s parametry
  • Aplikace LoRA a QLoRA pro efektivní přizpůsobení
  • Použití API Traineru pro rychlé pokusy

Hodnocení a optimalizace modelů

  • Oceňování přizpůsobených modelů pomocí metrik generování a přesnosti
  • Správa přetrenování, generalizace a validačních sad
  • Tipy pro optimalizaci výkonu a logování

Nasazení a soukromé použití

  • Ukládání a nahrávání modelů pro inferenci
  • Nasazování přizpůsobených modelů v bezpečném podnikovém prostředí
  • Strategie nasazení místně vs. ve cloudu

Případové studie a aplikace

  • Příklady podnikového použití LLaMA, Mistral a Qwen
  • Řešení vícejazyčného a doménově specifického přizpůsobení
  • Diskuse: Srovnání otevřených a uzavřených modelů

Závěr a další kroky

Požadavky

  • Pochopení velkých jazykových modelů (LLM) a jejich architektury
  • Zkušenosti s Pythonem a PyTorchem
  • Základní znalost ekosystému Hugging Face

Účastníci

  • Odborníci v oblasti strojového učení
  • Vývojáři AI
 14 hodiny

Počet účastníků


Cena za účastníka

Nadcházející kurzy

Související kategorie