Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Plan Szkolenia
Wprowadzenie do dostosowywania modeli DeepSeek LLM
- Przegląd modeli DeepSeek, np. DeepSeek-R1 i DeepSeek-V3
- Zrozumienie potrzeby dostosowywania LLMs
- Porównanie dostosowywania vs. inżynierii promptów
Przygotowanie zestawu danych do dostosowywania
- Gromadzenie zbiorów danych z określonych dziedzin
- Techniki przygotowania i czyszczenia danych
- Tokenizacja i formatowanie zbiorów danych dla DeepSeek LLM
Konfiguracja środowiska do dostosowywania
- Konfiguracja przyspieszenia GPU i TPU
- Konfiguracja Hugging Face Transformers z DeepSeek LLM
- Zrozumienie hiperparametrów do dostosowywania
Dostosowywanie DeepSeek LLM
- Wdrażanie nadzorowanego dostosowywania
- Używanie LoRA (Low-Rank Adaptation) i PEFT (Parameter-Efficient Fine-Tuning)
- Wdrażanie dystrybuowanego dostosowywania dla dużych zbiorów danych
Ocenianie i optymalizowanie dostosowanych modeli
- Ocenianie wydajności modeli za pomocą metryk
- Radzenie sobie z przeuczaniem i niedouczaniem
- Optymalizowanie szybkości inferencji i wydajności modelu
Wdrażanie dostosowanych modeli DeepSeek
- Pakowanie modeli do wdrażania API
- Integrowanie dostosowanych modeli w aplikacje
- Skalowanie wdrażania z chmurą i obliczeniami na krawędzi
Praktyczne zastosowania i aplikacje
- Dostosowane LLMs dla finansów, opieki zdrowotnej i obsługi klienta
- Studia przypadku zastosowań przemysłowych
- Zasadnicze uwagi dotyczące modeli AI specjalistycznych
Podsumowanie i kolejne kroki
Wymagania
- Doświadczenie z ramami uczenia maszynowego i uczenia głębokiego
- Znałość transformerów i dużych modeli językowych (LLMs)
- Zrozumienie technik przetwarzania danych i szkolenia modeli
Grupa docelowa
- Badacze sztucznej inteligencji badający dopasowanie LLM
- Inżynierowie uczenia maszynowego rozwijający niestandardowe modele AI
- Zaawansowani deweloperzy wdrażający rozwiązania napędzane AI
21 godzin