Kursplan

Introduktion till Generativ AI

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

Transformerarkitektur och LLMs

  • Vad är en transformer och hur fungerar den?
  • Huvudkomponenter och egenskaper hos en transformer
  • Använda transformere 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 hos LLMs?

Tränings- och finjusteringsprocess för LLMs

  • Huvudsteg och utmaningar vid tränandet av LLMs från början
  • Fordelar och nackdelar med att finjustera LLMs för specifika uppgifter
  • Bästa praxis och verktyg för tränandet och finjusteringen av LLMs

Distribuering och användning av LLMs

  • Huvudöverväganden och utmaningar vid distribueringen av LLMs i produktion
  • Vanliga användningsområden och tillämpningar av LLMs inom olika områden och branscher
  • Integrering av LLMs med andra AI-system och plattformar

Etik och framtiden för generativ AI

  • Ethiska 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 gynnsam användning av generativ AI och LLMs

Sammanfattning och nästa steg

Krav

  • Förståelse av maskininlärningskoncept, såsom övervakad och oövervakad inlärning, förlustfunktioner och datadelning
  • Erfarenhet av Python-programmering och datamanipulation
  • Grundläggande kunskap om neuronnät och språkbehandling

Målgrupp

  • Utvecklare
  • Maskininlärningsentusiaster
 21 timmar

Antal deltagare


Pris per deltagare

Vittnesmål (7)

Kommande Kurser

Relaterade Kategorier