Návrh Školení

Zavedení

  • 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 fungují LLM
  • 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 její aplikace
  • Použití LLM pro extrakční a abstraktní shrnutí textu
  • Hodnocení kvality generovaných souhrnů pomocí metrik jako ROUGE, BLEU atd.

Odpověď na otázku

  • Pochopení úlohy zodpovězení otázek a její aplikace
  • Použití LLM pro zodpovězení otázek v otevřené a uzavřené doméně
  • Hodnocení přesnosti vygenerovaných odpovědí pomocí metrik jako F1, EM atp.

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

  • Použití LLM s PyTorch nebo TensorFlow
  • Použití LLM s Flask nebo Streamlit
  • Používání LLM s Google Cloud nebo AWS

Odstraňování problémů

  • Pochopení běžných chyb a chyb v LLM
  • Použití TensorBoard ke sledování 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

  • Pochopení zpracování přirozeného jazyka a hluboké učení
  • Zkušenosti s Python a PyTorch nebo TensorFlow
  • Základní zkušenosti s programováním

Publikum

  • Vývojáři
  • NLP nadšenci
  • Datoví vědci
 14 hodiny

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie