Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie do dostrajania

  • Czym jest dostrajanie?
  • Przypadki użycia i korzyści z dostrajania
  • Przegląd wstępnie wytrenowanych modeli i uczenia transferowego

Przygotowanie do dostrajania

  • Zbieranie i czyszczenie zbiorów danych
  • Zrozumienie wymagań dotyczących danych specyficznych dla zadania
  • Analiza danych eksploracyjnych i przetwarzanie wstępne

Techniki dostrajania

  • Uczenie transferowe i ekstrakcja cech
  • Dostrajanie transformerów z Hugging Face
  • Dostrajanie do zadań nadzorowanych i nienadzorowanych

Dostrajanie dużych modeli językowych (LLMs)

  • Dostosowywanie LLMs do zadań NLP (np. klasyfikacja tekstu, podsumowanie)
  • Trenowanie LLMs z niestandardowymi zbiorami danych
  • Kontrolowanie zachowania LLMs za pomocą inżynierii promptów

Optymalizacja i ocena

  • Dostrajanie hiperparametrów
  • Ocena wydajności modelu
  • Radzenie sobie z przeuczeniem i niedouczeniem

Skalowanie wysiłków związanych z dostrajaniem

  • Dostrajanie na systemach rozproszonych
  • Wykorzystanie rozwiązań chmurowych do skalowalności
  • Studia przypadków: Duże projekty dostrajania

Najlepsze praktyki i wyzwania

  • Najlepsze praktyki dla sukcesu dostrajania
  • Typowe wyzwania i rozwiązywanie problemów
  • Kwestie etyczne w dostrajaniu modeli AI

Tematy zaawansowane (opcjonalne)

  • Dostrajanie modeli wielomodalnych
  • Uczenie zero-shot i few-shot
  • Poznanie technik LoRA (Low-Rank Adaptation)

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie podstaw uczenia maszynowego
  • Doświadczenie w programowaniu w Pythonie
  • Znajomość wstępnie wytrenowanych modeli i ich zastosowań

Grupa docelowa

  • Naukowcy zajmujący się danymi
  • Inżynierowie uczenia maszynowego
  • Badacze sztucznej inteligencji
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie