Plan Szkolenia

Wprowadzenie do dostrajania

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

Przygotowanie do dostrajania

  • Zbieranie i czyszczenie zestawów danych
  • Zrozumienie wymagań dotyczących danych specyficznych dla zadania
  • Eksploracyjna analiza danych i przetwarzanie wstępne

Techniki dostrajania

  • Uczenie transferowe i ekstrakcja cech
  • Dostrajanie transformatorów za pomocą Hugging Face
  • Dostrajanie do zadań nadzorowanych i nienadzorowanych

Dostrajanie Large Language Models (LLMs)

  • Dostosowanie LLM do zadań NLP (np. klasyfikacja tekstu, podsumowanie)
  • Trening LLM z wykorzystaniem niestandardowych zestawów danych
  • Kontrolowanie zachowania LLM za pomocą inżynierii podpowiedzi

Optymalizacja i ocena

  • Dostrajanie hiperparametrów
  • Ocena wydajności modelu
  • Radzenie sobie z nadmiernym i niedostatecznym dopasowaniem

Skalowanie wysiłków w zakresie dostrajania

  • Dostrajanie w systemach rozproszonych
  • Wykorzystanie rozwiązań opartych na chmurze do skalowalności
  • Studia przypadków: Projekty dostrajania na dużą skalę

Najlepsze praktyki i wyzwania

  • Najlepsze praktyki zapewniające sukces dostrajania
  • Typowe wyzwania i rozwiązywanie problemów
  • Kwestie etyczne związane z dostrajaniem modeli AI

Tematy zaawansowane (opcjonalnie)

  • Dostrajanie modeli multimodalnych
  • Uczenie się z zerową liczbą strzałów i z kilkoma strzałami
  • Odkrywanie technik LoRA (Low-Rank Adaptation)

Podsumowanie i kolejne kroki

Wymagania

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

Uczestnicy

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

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie