Course Outline

Εισαγωγή

  • Τι είναι τα Large Language Models (LLMs);
  • LLMs εναντίον παραδοσιακών μοντέλων NLP
  • Επισκόπηση των χαρακτηριστικών και της αρχιτεκτονικής του LLM
  • Προκλήσεις και περιορισμοί των LLM

Κατανόηση LLM

  • Ο κύκλος ζωής ενός LLM
  • Πώς λειτουργούν τα LLM
  • Τα κύρια στοιχεία ενός LLM: κωδικοποιητής, αποκωδικοποιητής, προσοχή, ενσωματώσεις κ.λπ.

Ξεκινώντας

  • Δημιουργία Αναπτυξιακού Περιβάλλοντος
  • Εγκατάσταση ενός LLM ως εργαλείου ανάπτυξης, π.χ. Google Colab, Hugging Face

Συνεργασία με LLMs

  • Εξερευνώντας τις διαθέσιμες επιλογές LLM
  • Δημιουργία και χρήση ενός LLM
  • Βελτιστοποίηση ενός LLM σε ένα προσαρμοσμένο σύνολο δεδομένων

Σύνοψη κειμένου

  • Κατανόηση του έργου της σύνοψης κειμένου και των εφαρμογών του
  • Χρήση ενός LLM για εξαγωγική και αφηρημένη σύνοψη κειμένου
  • Αξιολόγηση της ποιότητας των δημιουργούμενων περιλήψεων χρησιμοποιώντας μετρήσεις όπως ROUGE, BLEU κ.λπ.

Ερώτηση Απάντηση

  • Κατανόηση του έργου της απάντησης ερωτήσεων και των εφαρμογών του
  • Χρήση ενός LLM για απάντηση ερωτήσεων ανοιχτού και κλειστού τομέα
  • Αξιολόγηση της ακρίβειας των απαντήσεων που δημιουργούνται χρησιμοποιώντας μετρήσεις όπως F1, EM κ.λπ.

Δημιουργία κειμένου

  • Κατανόηση του έργου της δημιουργίας κειμένου και των εφαρμογών του
  • Χρήση ενός LLM για δημιουργία κειμένου υπό όρους και χωρίς όρους
  • Έλεγχος του στυλ, του τόνου και του περιεχομένου των κειμένων που δημιουργούνται χρησιμοποιώντας παραμέτρους όπως θερμοκρασία, top-k, top-p κ.λπ.

Ενσωμάτωση LLM με άλλα πλαίσια και πλατφόρμες

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

Αντιμετώπιση προβλημάτων

  • Κατανόηση των κοινών σφαλμάτων και σφαλμάτων στα LLM
  • Χρησιμοποιώντας το TensorBoard για την παρακολούθηση και την απεικόνιση της εκπαιδευτικής διαδικασίας
  • Χρησιμοποιώντας το PyTorch Lightning για να απλοποιήσετε τον κώδικα εκπαίδευσης και να βελτιώσετε την απόδοση
  • Χρήση συνόλων δεδομένων Hugging Face για φόρτωση και προεπεξεργασία των δεδομένων

Περίληψη και Επόμενα Βήματα

Requirements

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

Ακροατήριο

  • προγραμματιστές
  • Λάτρεις του NLP
  • Επιστήμονες δεδομένων
 14 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories