Kursplan

Introduktion till Generativ AI

  • Vad är generativ AI och varför är den viktig?
  • Huvudtyper och tekniker inom generativ AI
  • Nyckelutmaningar och begränsningar för generativ AI

Transformerarkitektur och LLMs

  • Vad är en transformer och hur fungerar den?
  • Huvudkomponenter och egenskaper i en transformer
  • Använda transformers för att bygga LLMs

Skalningslagar och optimering

  • Vad är skalningslagar och varför är de viktiga för LLMs?
  • Hur hänger skalningslagar samman med modellstorlek, datamängd, beräkningsbudget och inferenskrav?
  • Hur kan skalningslagar hjälpa till att optimera prestanda och effektivitet för LLMs?

Tränings- och finjustering av LLMs

  • Huvudsteg och utmaningar med tränings från början för LLMs
  • Fördelar och nackdelar med finjustering av LLMs för specifika uppgifter
  • Bästa praxis och verktyg för tränings- och finjustering av LLMs

Distribution och användning av LLMs

  • Huvuddrag och utmaningar med distribution av LLMs i produktion
  • Vanliga användningsområden och tillämpningar för LLMs inom olika områden och industrier
  • Integrering av LLMs med andra AI-system och plattformar

Etik och framtiden för generativ AI

  • Etiska och sociala implikationer av generativ AI och LLMs
  • Potentiella risker och skador med generativ AI och LLMs, såsom bias, felaktig information och manipulation
  • Ansvarsfull och nyttig användning av generativ AI och LLMs

Sammanfattning och nästa steg

Krav

  • Förmåga att förstå koncept inom maskininlärning, såsom övervakad och oövervakad inlärning, förlustfunktioner och dataindelning
  • Erfarenhet av Python-programmering och datamanipulation
  • Grundläggande kunskap om neuronnätverk och naturligt språkbehandling

Målgrupp

  • Utvecklare
  • Maskininlärningsentusiaster
 21 timmar

Antal deltagare


Pris per deltagare

Vittnesmål (7)

Kommande Kurser

Relaterade Kategorier