Kom i kontakt

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

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier