مقدمه ای بر LLM در پایتون

مدرس Jasmin Ludolf

انتشار 2024/01/01

مدت زمان 33m 55s

سطح مناسب همه

فایل تمرینی ندارد

آموزش Introduction to LLMs in Python

مدل‌های زبان بزرگ (LLM) به ابزارهای محوری تبدیل شده‌اند که برخی از خیره‌کننده‌ترین پیشرفت‌ها و برنامه‌های کاربردی در چشم‌انداز هوش مصنوعی امروزی را هدایت می‌کنند. این دوره آموزشی عملی شما را با دانش و مهارت‌های عملی مورد نیاز برای درک، ساخت و استفاده از قدرت LLM برای حل وظایف پیچیده زبان مانند ترجمه، تولید زبان، پاسخ‌گویی به پرسش و غیره مجهز می‌کند. از طریق تمرین های کدنویسی تکراری، کار با ترانسفورماتورها را یاد خواهید گرفت. همچنین مدل های زبان و مجموعه داده های از پیش آموزش دیده را از Hugging Face کاوش خواهید کرد. در پایان این دوره، شما قادر خواهید بود LLM های از پیش آموزش دیده را با استفاده از معیارهای تخصصی تنظیم و ارزیابی کنید. همچنین درک درستی از چالش های کلیدی و ملاحظات اخلاقی فعال کردن برنامه های کاربردی LLM در دنیای واقعی به دست خواهید آورد.

هوش مصنوعی Python

Getting Started with Large Language Models (LLMs)

Introduction to large language models (LLMs) ()

Using a pipeline for summarization

Using pre-trained LLMs ()

Generating text

Translating text

Understanding the transformer ()

Identify the transformer

Fine-tuning LLMs

Preparing for fine-tuning ()

Tokenizing text

Fine-tuning through training ()

Setting up training arguments

Setting up the trainer

Fine-tuning approaches ()

Transfer learning with one-shot learning

Evaluating LLM performance

The evaluate library ()

Loading metrics with evaluate

Using evaluate metrics

Metrics for language tasks: perplexity and BLEU ()

Evaluating perplexity

Metrics for language tasks: ROUGE, METEOR, EM ()

Evaluating with ROUGE

Evaluating with METEOR

Evaluating with EM

Safeguarding LLMs ()

Checking toxicity

Evaluating regard

The finish line ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش مقدمه ای بر LLM در پایتون

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Introduction to LLMs in Python در 3 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

با استفاده از آخرین تکنیک‌های یادگیری عمیق و NLP، با PyTorch و Hugging Face، مدل‌های زبان بزرگ (LLM) را توسعه دهید.

آموزش مقدمه ای بر LLM در پایتون ، ایستگاه شماره 0 در مسیر یادگیری توسعه مدل های زبان بزرگ ، است.

مسیر یادگیری توسعه مدل های زبان بزرگ

جدیدترین مدل‌ها، مجموعه داده‌ها و برنامه‌های AI منبع باز را بیابید، عوامل هوش مصنوعی بسازید، و LLM‌ها را با Hugging Face تنظیم کنید. امروز به بزرگترین انجمن هوش مصنوعی بپیوندید!

آموزش مقدمه ای بر LLM در پایتون ، ایستگاه شماره 1 در مسیر یادگیری اصول اولیه صورت در آغوش گرفتن ، است.

مسیر یادگیری اصول اولیه صورت در آغوش گرفتن

برنامه های کاربردی مبتنی بر هوش مصنوعی را با Snowflake توسعه دهید. مدیریت داده ها و هوش مصنوعی مولد را برای ایجاد راه حل های هوشمند در فضای ابری مسلط کنید.

آموزش مقدمه ای بر LLM در پایتون ، ایستگاه شماره 1 در مسیر یادگیری اصول هوش مصنوعی دانه برف ، است.

مسیر یادگیری اصول هوش مصنوعی دانه برف