Επικοινωνήστε μαζί μας

Εξέλιξη Κομματιού

Εισαγωγή

  • Τι είναι τα Μεγάλα Γλωσσικά Μοντέλα (LLMs);
  • LLMs έναντι παραδοσιακών μοντέλων NLP
  • Επισκόπηση των χαρακτηριστικών και της αρχιτεκτονικής των LLMs
  • Προκλήσεις και περιορισμοί των LLMs

Κατανόηση των LLMs

  • Ο κύκλος ζωής ενός LLM
  • Πώς λειτουργούν τα LLMs
  • Τα κύρια συστατικά ενός LLM: encoder, decoder, attention, embeddings, κ.λπ.

Ξεκινώντας

  • Ρύθμιση του περιβάλλοντος ανάπτυξης
  • Εγκατάσταση ενός LLM ως εργαλείο ανάπτυξης, π.χ. Google Colab, Hugging Face

Εργασία με LLMs

  • Εξερεύνηση των διαθέσιμων επιλογών LLM
  • Δημιουργία και χρήση ενός LLM
  • Προσαρμογή (fine‑tuning) ενός LLM σε ένα προσαρμοσμένο σύνολο δεδομένων

Σύνοψη Κειμένου

  • Κατανόηση της εργασίας της σύνοψης κειμένου και των εφαρμογών της
  • Χρήση ενός LLM για εξαγωγική και αφηρηματική σύνοψη κειμένου
  • Αξιολόγηση της ποιότητας των παραγόμενων περιλήψεων χρησιμοποιώντας μετρικές όπως ROUGE, BLEU, κ.λπ.

Απάντηση Ερωτήσεων

  • Κατανόηση της εργασίας της απάντησης ερωτήσεων και των εφαρμογών της
  • Χρήση ενός LLM για απάντηση ερωτήσεων ανοικτού και κλειστού τομέα
  • Αξιολόγηση της ακρίβειας των παραγόμενων απαντήσεων χρησιμοποιώντας μετρικές όπως F1, EM, κ.λπ.

Παραγωγή Κειμένου

  • Κατανόηση της εργασίας της παραγωγής κειμένου και των εφαρμογών της
  • Χρήση ενός LLM για υπό συνθήκη και χωρίς συνθήκη παραγωγή κειμένου
  • Έλεγχος του ύφους, του τόνου και του περιεχομένου των παραγόμενων κειμένων χρησιμοποιώντας παραμέτρους όπως temperature, top‑k, top‑p, κ.λπ.

Ενσωμάτωση LLMs με άλλα πλαίσια και πλατφόρμες

  • Χρήση LLMs με PyTorch ή TensorFlow
  • Χρήση LLMs με Flask ή Streamlit
  • Χρήση LLMs με Google Cloud ή AWS

Αντιμετώπιση προβλημάτων

  • Κατανόηση των συνηθισμένων σφαλμάτων και bugs στα LLMs
  • Χρήση του TensorBoard για παρακολούθηση και οπτικοποίηση της διαδικασίας εκπαίδευσης
  • Χρήση του PyTorch Lightning για απλοποίηση του κώδικα εκπαίδευσης και βελτίωση της απόδοσης
  • Χρήση του Hugging Face Datasets για φόρτωση και προεπεξεργασία των δεδομένων

Σύνοψη και Επόμενα Βήματα

Απαιτήσεις

  • Κατανόηση επεξεργασίας φυσικής γλώσσας και βαθιάς μάθησης
  • Εμπειρία με Python και PyTorch ή TensorFlow
  • Βασική εμπειρία προγραμματισμού

Κοινό

  • Προγραμματιστές
  • Λάτρεις της επεξεργασίας φυσικής γλώσσας (NLP)
  • Επιστήμονες δεδομένων
 14 Ώρες

Αριθμός συμμετέχοντων


Τιμή ανά συμμετέχοντα

Εφεξής Μαθήματα

Σχετικές Κατηγορίες