Kursplan

Introduktion till generativ AI

  • Vad är generativ AI och varför är det viktigt?
  • Huvudtyper och tekniker för generativ AI
  • Nyckelutmaningar och begränsningar för generativ AI

Transformerarkitektur och LLMs

  • Vad är en transformer och hur fungerar den?
  • Huvudkomponenter och funktioner i en transformer
  • Användning av transformers för att bygga LLMs

Skalningslagar och optimerings

  • Vad är skalningslagar och varför är de viktiga för LLMs?
  • Hur relaterar skalningslagar till modellstorlek, datastorlek, beräkningsbudget och krav på inferens?
  • Hur kan skalningslagar hjälpa till att optimera prestanda och effektivitet hos LLMs?

Träning och finjustering av LLMs

  • Huvudsteg och utmaningar vid träning av LLMs från grunden
  • Fördelar och nackdelar med att finjustera LLMs för specifika uppgifter
  • Bästa praxis och verktyg för träning och finjustering av LLMs

Deployment och användning av LLMs

  • Huvudöverväganden och utmaningar vid deployment av LLMs i produktion
  • Vanliga användningsfall och applikationer av LLMs i olika domäner och branscher
  • Integration av LLMs med andra AI-system och plattformar

Etik och framtid för generativ AI

  • Etiska och samhälleliga implikationer av generativ AI och LLMs
  • Potentiella risker och skador från generativ AI och LLMs, såsom bias, desinformation och manipulation
  • Ansvarigt och nyttigt användande av generativ AI och LLMs

Sammanfattning och nästa steg

Krav

  • Förståelse för maskininlärningskoncept såsom övervakad och övervakad inlärning, förlustfunktioner och datadelnings
  • Erfarenhet av Python-programmering och datamanipulation
  • Grundläggande kunskaper om neurala nätverk och bearbetning av naturligt språk

Målgrupp

  • Utvecklare
  • Maskininlärningsentusiaster
 21 timmar

Antal deltagare


Price per participant

Vittnesmål (7)

Upcoming Courses

Relaterade Kategorier