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
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
