Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Introduktion till fintuning
- Vad är fintuning?
- Användningsområden och fördelar med fintuning
- Översikt över förtränade modeller och transfer learning
Förberedelser för fintuning
- Att samla och rensa dataset
- Förstå uppgiftsspecifika datakrav
- Utforskande dataanalys och förbehandling
Fintuning-tekniker
- Transfer learning och funktionsutvinning
- Fintuna transformers med Hugging Face
- Fintuning för övervakade respektive oövervakade uppgifter
Fintuna av stora språkmodeller (LLM)
- Anpassa LLM för NLP-uppgifter (t.ex. textklassificering, sammanfattning)
- Träna LLM med anpassade dataset
- Styr LLM-beteende med prompt-engineering
Optimering och utvärdering
- Justering av hyperparametrar
- Utvärdera modellprestanda
- Att hantera överanpassning och underanpassning
Skalning av fintuningsinsatser
- Fintuning på distribuerade system
- Utnyttja molnbaserade lösningar för skalbarhet
- Kunskapsfall: Fintuning av stora projekt
Bästa praxis och utmaningar
- Bästa praxis för framgångsrik fintuning
- Vanliga utmaningar och felsökning
- Ethiska överväganden vid fintuning av AI-modeller
Avancerade ämnen (valfritt)
- Fintuna multimodala modeller
- Nollskotts- och fåskottsinlärning
- Utforska LoRA-tekniker (Low-Rank Adaptation)
Sammanfattning och nästa steg
Krav
- Förståelse för grundläggande begrepp inom maskininlärning
- Erfarenhet av programmering i Python
- Vanhet vid förtränade modeller och deras tillämpningar
Målgrupp
- Datavetare
- Ingenjörer inom maskininlärning
- Forskare inom AI
14 Timmar
