Návrh Školení

Úvod do Generativního umělého rozumu (AI)

  • Co je generativní AI a proč je důležitá?
  • Hlavní typy a techniky generativní AI
  • Klíčové výzvy a omezení generativní AI

Architektura Transformerů a Velkých Jazykových Modelů (LLM)

  • Co je transformer a jak funguje?
  • Hlavní složky a vlastnosti transformační architektury
  • Použití transformerů pro sestavování LLM

Zákony škálování a optimalizace

  • Co jsou zákony škálování a proč jsou pro LLM důležité?
  • Jak se zákony škálování vztahují na velikost modelu, velikost dat, rozpočet výpočtů a požadavky na odvod?
  • Jak mohou zákony škálování pomoci optimalizovat výkon a efektivitu LLM?

Trénink a finetuning LLM

  • Hlavní kroky a výzvy tréninku LLM od základů
  • Výhody a nevýhody finetuningu LLM pro konkrétní úlohy
  • Nejlepší postupy a nástroje pro trénink a finetuning LLM

Nasazování a Používání LLM

  • Hlavní závazky a výzvy nasazování LLM v produkčním prostředí
  • Běžné případné použití a aplikace LLM ve různých oblastech a odvětvích
  • Integrace LLM s jinými AI systémy a platformami

Etnická Aspekty a Budoucnost Generativního AI

  • Etnické a společenské důsledky generativního umělého rozumu a LLM
  • Potenciální rizika a škody generativního AI a LLM, jako jsou předsudky, záměny a manipulace
  • Zodpovědné a prospěšné používání generativního umělého rozumu a LLM

Shrnutí a Další Kroky

Požadavky

  • Pochopení konceptů strojového učení, jako jsou nadzorované a nenadzorované učení, funkce ztrát a rozdělení dat
  • Zkušenosti s programováním v Pythonu a manipulací se záznamy
  • Základní znalost neuronových sítí a zpracování přirozeného jazyka

Cílová skupina

  • Vývojáři
  • Odborníci na strojové učení
 21 hodiny

Počet účastníků


Price per participant

Reference (7)

Upcoming Courses

Související kategorie