Fine-Tuning Kurs i Uppsala

Denna instruktörsledda, liveutbildning på Uppsala (online eller på plats) riktar sig till avancerade försvar-AI-ingenjörer och militärteknikutvecklare som vill finjusterar djupinlärningsmodeller för användning i autonoma fordon, drönare och övervakningssystem, samtidigt som stränga säkerhets- och pålitlighetsstandarder uppfylls.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Finjusterar datorseende och sensorfusionsmodeller för övervaknings- och målsökningssyften.
• Anpassa autonoma AI-system till föränderliga miljöer och uppdragsprofiler.
• Implementera robusta validerings- och säkerhetsmekanismer i modellpipelines.
• Säkerställa överensstämmelse med försvarsrelaterade krav, säkerhets- och säkerhetsstandarder.

Denna instruktörsledda, live-utbildning (online eller på plats) riktar sig till juridiska teknologer och AI-utvecklare på mellan nivå som vill finjustera språkmodeller för uppgifter som kontraktanalys, klausulextraktion och automatiserad juridisk forskning i juridiska tjänstemiljöer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förbereda och rensa juridiska dokument för finjustering av NLP-modeller.
• Använda finjusteringstekniker för att förbättra modellernas noggrannhet för juridiska uppgifter.
• Distribuera modeller för att hjälpa till med kontraktgranskning, klassificering och forskning.
• Säkerställa överensstämmelse, granskbarhet och spårbarhet för AI-utdata i juridiska sammanhang.

Denna ledarledda, liveutbildning på Uppsala (online eller på plats) riktar sig till AI-utvecklare och dataspecialister inom medicin med mellan- till avancerad nivå, som vill finjustera modeller för klinisk diagnos, sjukdomsprognos och förutsägelse av patientresultat med hjälp av strukturerade och ostrukturerade medicinska data.

Vid kursens slut kommer deltagarna att kunna:

• Finjustera AI-modeller på hälsodata, inklusive EMR, bilder och tidsseriedata.
• Använda överföringsinlärning, domänanpassning och modellkomprimering i medicinska sammanhang.
• Ta hänsyn till integritet, bias och regleringsöverensstämmelse i modellutvecklingen.
• Distribuera och övervaka finjusterade modeller i verkliga hälso- och sjukvårdsmiljöer.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till avancerade datavetenskapsmän och AI-ingenjörer inom finanssektorn som vill finjustera modeller för applikationer såsom kreditbedömning, bedrägeridetektion och riskmodellering med hjälp av domänspecifika finansiella data.

Vid slutet av denna träning kommer deltagarna att kunna:

• Finjustera AI-modeller på finansiella datamängder för förbättrad bedrägeri- och riskprognostisering.
• Använda tekniker som transfer learning, LoRA och regularisering för att förbättra modellens effektivitet.
• Integrera finansiella compliance-krav i AI-modelleringens arbetsflöde.
• Distribuera finjusterade modeller för produktionsanvändning i finansiella tjänsteplattformar.

Denna instruktörsledda, live-utbildning i Uppsala (online eller på plats) riktar sig till avancerade AI-underhållstekniker och MLOps professionella som vill implementera robusta kontinuerliga inlärningspipelines och effektiva uppdateringsstrategier för utplacerade, finjusterade modeller.

Efter denna utbildning kommer deltagarna att kunna:

• Designa och implementera kontinuerliga inlärningsarbetsflöden för utplacerade modeller.
• Minska katastrofalt glömska genom korrekt träning och minneshantering.
• Automatisera övervakning och uppdateringsutlösare baserat på modellavvikelser eller dataförändringar.
• Integrera modelluppdateringsstrategier i befintliga CI/CD- och MLOps pipelines.

Denna instruktörledda, live-utbildning i Uppsala (online eller på plats) riktar sig till mellannivå-utvecklare inom inbyggd AI och specialister inom edge computing som vill finjustera och optimera lättviktiga AI-modeller för distribution på resursbegränsade enheter.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Välja och anpassa förtränade modeller som är lämpliga för edge-distribution.
• Tillämpa kvantisering, trimning och andra kompressionstekniker för att minska modellstorlek och latens.
• Finjustera modeller med hjälp av transfer learning för uppgiftsspecifik prestanda.
• Distribuera optimerade modeller på verkliga edge-hardvarplattformar.

This instructor-led, live training in Uppsala (online or onsite) is aimed at advanced-level computer vision engineers and AI developers who wish to fine-tune VLMs such as CLIP and Flamingo to improve performance on industry-specific visual-text tasks.

By the end of this training, participants will be able to:

• Understand the architecture and pretraining methods of vision-language models.
• Fine-tune VLMs for classification, retrieval, captioning, or multimodal QA.
• Prepare datasets and apply PEFT strategies to reduce resource usage.
• Evaluate and deploy customized VLMs in production environments.

This instructor-led, live training in Uppsala (online or onsite) is aimed at intermediate-level ML engineers and AI compliance professionals who wish to identify, evaluate, and reduce safety risks and biases in fine-tuned language models.

By the end of this training, participants will be able to:

• Understand the ethical and regulatory context for safe AI systems.
• Identify and evaluate common forms of bias in fine-tuned models.
• Apply bias mitigation techniques during and after training.
• Design and audit models for safety, transparency, and fairness.

Denna ledarledda, live-utbildning på Uppsala (online eller på plats) riktar sig till NLP-ingenjörer och kunskapshanteringsteam på mellanavancerad nivå som vill finjustera RAG-pipelines för att förbättra prestanda i frågesvars-, företagsöknings- och sammanfattningsanvändningsfall.

Efter denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen och arbetsflödet i RAG-system.
• Finjustera återhämtnings- och generatorkomponenter för domänspecifika data.
• Utvärdera RAG-prestanda och tillämpa förbättringar genom PEFT-tekniker.
• Distribuera optimerade RAG-system för intern eller produktionsanvändning.

Denna instruktörsledda, levande träning online eller på plats är riktad till mellanavancerade ML-praktiker och AI-utvecklare som vill finjustera och distribuera öppenviktsmodeller som LLaMA, Mistral och Qwen för specifika affärs- eller interna applikationer.

Vid slutet av denna träning kommer deltagarna att kunna:

• Förstå ekosystemet och skillnaderna mellan öppna källkodens LLMs.
• Förbereda datamängder och finjusteringar av konfigurationer för modeller som LLaMA, Mistral, och Qwen.
• Kör finjusteringspipelines med Hugging Face Transformers och PEFT.
• Utvärdera, spara och distribuera finjusterade modeller i säkra miljöer.

Denna ledarstyrda, liveutbildning online eller på plats är riktad till datavetare och AI-ingenjörer med mellanavancerad kunskap som vill justera stora språkmodeller mer kostnadseffektivt och effektivt med metoder som LoRA, Adapter Tuning och Prefix Tuning.

Efter denna utbildning kommer deltagarna att kunna:

• Förstå teorin bakom parameter-effektiva metodik för finjustering.
• Implementera LoRA, Adapter Tuning och Prefix Tuning med hjälp av Hugging Face PEFT.
• Jämföra prestanda och kostnadsavvägningar mellan PEFT-metoder och fullständig finjustering.
• Distribuera och skalbar finjustera stora språkmodeller med minskade beräknings- och lagringskrav.

Denna instruktörsledda, live-träning i Uppsala (online eller på plats) riktar sig till maskininlärningsingenjörer, AI-utvecklare och datavetenskapsmän på mellan- till avancerad nivå som vill lära sig hur man använder QLoRA för att effektivt finjusterar stora modeller för specifika uppgifter och anpassningar.

Efter denna träning kommer deltagarna att kunna:

• Förstå teorin bakom QLoRA och kvantiseringstekniker för stora språkmodeller.
• Implementera QLoRA i finjustering av stora språkmodeller för domänspecifika tillämpningar.
• Optimera finjusteringens prestanda på begränsade beräkningsresurser med hjälp av kvantisering.
• Distribuera och utvärdera finjusterade modeller effektivt i verkliga tillämpningar.

Denna instruktörledda, live-träning i Uppsala (online eller på plats) riktar sig till avancerade maskininlärningsingenjörer och AI-forskare som vill tillämpa RLHF för att finjustera stora AI-modeller för överlägsen prestanda, säkerhet och samstämmighet.

Efter denna träning kommer deltagarna att kunna:

• Förstå de teoretiska grunderna för RLHF och varför det är avgörande i modern AI-utveckling.
• Implementera belöningsmodeller baserade på mänsklig återkoppling för att styra förstärkningsinlärningsprocesser.
• Finjustera stora språkmodeller med hjälp av RLHF-tekniker för att samstämmighet med människors preferenser.
• Tillämpa bästa praxis för att skala RLHF-arbetsflöden för produktionskvalificerade AI-system.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till yrkesverksamma på mellannivå som vill få praktiska färdigheter i att anpassa AI-modeller för kritiska finansiella uppgifter.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna för finjustering för ekonomiprogram.
• Utnyttja förtränade modeller för domänspecifika uppgifter inom ekonomi.
• Tillämpa tekniker för upptäckt av bedrägerier, riskbedömning och generering av finansiell rådgivning.
• Se till att finansiella regler som GDPR och SOX följs.
• Implementera datasäkerhet och etiska AI-metoder i finansiella applikationer.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill förfina sina färdigheter i att diagnostisera och lösa finjusteringsutmaningar för maskininlärningsmodeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Diagnostisera problem som överanpassning, underanpassning och obalans i data.
• Implementera strategier för att förbättra modellkonvergensen.
• Optimera finjustering av pipelines för bättre prestanda.
• Felsök träningsprocesser med hjälp av praktiska verktyg och tekniker.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill behärska tekniker för att optimera stora modeller för kostnadseffektiv finjustering i verkliga scenarier.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå utmaningarna med att finjustera stora modeller.
• Tillämpa distribuerade träningstekniker på stora modeller.
• Utnyttja modellkvantisering och rensning för effektivitet.
• Optimera maskinvaruanvändningen för finjusteringsuppgifter.
• Distribuera finjusterade modeller effektivt i produktionsmiljöer.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på mellannivå som vill utnyttja kraften i snabb teknik och få skottinlärning för att optimera LLM-prestanda för verkliga applikationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för snabb teknik och inlärning med få skott.
• Utforma effektiva uppmaningar för olika NLP-uppgifter.
• Utnyttja några få tekniker för att anpassa LLM:er med minimal data.
• Optimera LLM-prestanda för praktiska tillämpningar.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill behärska finjustering av multimodala modeller för innovativa AI-lösningar.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen för multimodala modeller som CLIP och Flamingo.
• Förbered och förbearbeta multimodala datauppsättningar effektivt.
• Finjustera multimodala modeller för specifika uppgifter.
• Optimera modeller för verkliga program och prestanda.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till avancerade AI-forskare, maskininlärningsingenjörer och utvecklare som vill finjustera DeepSeek LLM-modeller för att skapa specialiserade AI-applikationer som är anpassade till specifika industrier, domäner eller affärsbehov.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå arkitekturen och kapabiliteterna hos DeepSeek modeller, inklusive DeepSeek-R1 och DeepSeek-V3.
• Förbereda datasets och förbehandla data för finjustering.
• Finjustera DeepSeek LLM för domänspecifika applikationer.
• Optimera och distribuera finjusterade modeller effektivt.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på avancerad nivå som vill distribuera finjusterade modeller på ett tillförlitligt och effektivt sätt.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå utmaningarna med att distribuera finjusterade modeller till produktion.
• Containerisera och distribuera modeller med hjälp av verktyg som Docker och Kubernetes.
• Implementera övervakning och loggning för distribuerade modeller.
• Optimera modeller för svarstid och skalbarhet i verkliga scenarier.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till maskininlärningsproffs på avancerad nivå som vill behärska banbrytande överföringsinlärningstekniker och tillämpa dem på komplexa verkliga problem.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå avancerade begrepp och metoder inom överföringsinlärning.
• Implementera domänspecifika anpassningstekniker för förtränade modeller.
• Tillämpa kontinuerlig inlärning för att hantera föränderliga uppgifter och datauppsättningar.
• Bemästra finjustering av flera uppgifter för att förbättra modellens prestanda mellan uppgifter.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till maskininlärningsproffs på nybörjarnivå till mellannivå som vill förstå och tillämpa överföringsinlärningstekniker för att förbättra effektivitet och prestanda i AI-projekt.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de grundläggande begreppen och fördelarna med överföringsinlärning.
• Utforska populära förtränade modeller och deras program.
• Utför finjustering av förtränade modeller för anpassade uppgifter.
• Tillämpa överföringsinlärning för att lösa verkliga problem inom NLP och datorseende.

Denna instruktörsledda, liveträning i Uppsala (online eller på plats) riktar sig till utvecklare på mellannivå och AI-utövare som vill implementera finjusteringsstrategier för stora modeller utan behov av omfattande beräkningsresurser.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för Low-Rank Adaptation (LoRA).
• Implementera LoRA för effektiv finjustering av stora modeller.
• Optimera finjustering för resursbegränsade miljöer.
• Utvärdera och distribuera LoRA-avstämda modeller för praktiska tillämpningar.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till proffs på mellannivå till avancerad nivå som vill anpassa förtränade modeller för specifika uppgifter och datauppsättningar.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå principerna för finjustering och dess tillämpningar.
• Förbered datauppsättningar för finjustering av förtränade modeller.
• Finjustera stora språkmodeller (LLM) för NLP-uppgifter.
• Optimera modellens prestanda och hantera vanliga utmaningar.

Denna instruktörsledda, liveutbildning i Uppsala (online eller på plats) riktar sig till yrkesverksamma på mellannivå som vill förbättra sina NLP-projekt genom effektiv finjustering av förtränade språkmodeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna för finjustering för NLP-uppgifter.
• Finjustera förtränade modeller som GPT, BERT och T5 för specifika NLP-applikationer.
• Optimera hyperparametrar för bättre modellprestanda.
• Utvärdera och distribuera finjusterade modeller i verkliga scenarier.