Kursplan

Introduktion till finjustering

  • Vad är finjustering?
  • Användningsfall och fördelar med finjustering
  • Översikt över förtränade modeller och överföringsinlärning

Förberedelser för finjustering

  • Samla in och rensa datauppsättningar
  • Förstå uppgiftsspecifika datakrav
  • Undersökande dataanalys och förbehandling

Finjustering av tekniker

  • Överföringsinlärning och extrahering av funktioner
  • Finjustera transformatorer med Hugging Face
  • Finjustering för övervakade kontra oövervakade uppgifter

Finjustering Large Language Models (LLMs)

  • Anpassning av LLM:er för NLP-uppgifter (t.ex. textklassificering, sammanfattning)
  • Träna LLM:er med anpassade datauppsättningar
  • Kontroll av LLM-beteende med snabb teknik

Optimering och utvärdering

  • Justering av hyperparametrar
  • Utvärdera modellens prestanda
  • Att ta itu med över- och underanpassning

Skala upp finjusteringsarbetet

  • Finjustering av distribuerade system
  • Utnyttja molnbaserade lösningar för skalbarhet
  • Fallstudier: Storskaliga finjusteringsprojekt

Bästa praxis och utmaningar

  • Metodtips för att lyckas med finjusteringar
  • Vanliga utmaningar och felsökning
  • Etiska överväganden vid finjustering av AI-modeller

Avancerade ämnen (valfritt)

  • Finjustering av multimodala modeller
  • Inlärning med noll skott och få skott
  • Utforska LoRA-tekniker (Low-Rank Adaptation)

Sammanfattning och nästa steg

Krav

  • Förståelse för grunderna i maskininlärning
  • Erfarenhet av Python programmering
  • Kunskaper om förtränade modeller och deras tillämpningar

Publik

  • Datavetare
  • Ingenjörer inom maskininlärning
  • AI-forskare
 14 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier