Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
План на курса
Въведение
- Какво са Large Language Models (LLMs)?
- LLM срещу традиционни модели на НЛП
- Преглед на функциите и архитектурата на LLMs
- Предизвикателства и ограничения на LLM
Разбиране на LLMs
- Жизненият цикъл на LLM
- Как работят LLMs
- Основните компоненти на LLM: енкодер, декодер, внимание, вграждания и др.
Първи стъпки
- Създаване на среда за разработка
- Инсталиране на LLM като инструмент за разработка, напр. Google Colab, Hugging Face
Работа с LLMs
- Проучване на наличните опции за LLM
- Създаване и използване на LLM
- Фина настройка на LLM върху персонализиран набор от данни
Резюмиране на текст
- Разбиране на задачата за обобщаване на текст и нейните приложения
- Използване на LLM за екстрактивно и абстрактно обобщаване на текст
- Оценяване на качеството на генерираните обобщения с помощта на показатели като ROUGE, BLEU и др.
Отговаряне на въпроси
- Разбиране на задачата за отговаряне на въпроси и нейните приложения
- Използване на LLM за отговор на въпроси от отворен и затворен домейн
- Оценяване на точността на генерираните отговори с помощта на показатели като F1, EM и др.
Генериране на текст
- Разбиране на задачата за генериране на текст и нейните приложения
- Използване на LLM за условно и безусловно генериране на текст
- Контролиране на стила, тона и съдържанието на генерираните текстове с помощта на параметри като температура, top-k, top-p и др.
Интегриране на LLM с други рамки и платформи
- Използване на LLM с PyTorch или TensorFlow
- Използване на LLM с Flask или Streamlit
- Използване на LLM с Google Cloud или AWS
Отстраняване на неизправности
- Разбиране на често срещаните грешки и грешки в LLM
- Използване на TensorBoard за наблюдение и визуализиране на тренировъчния процес
- Използване на PyTorch Lightning за опростяване на кода за обучение и подобряване на производителността
- Използване на Hugging Face набори от данни за зареждане и предварителна обработка на данните
Обобщение и следващи стъпки
Изисквания
- Разбиране на обработката на естествения език и дълбокото обучение
- Опит с Python и PyTorch или TensorFlow
- Основен опит в програмирането
Публика
- Разработчици
- НЛП ентусиасти
- Учени по данни
14 Часа