Contattataci

Struttura del corso

Introduzione al fine-tuning

  • Cos'è il fine-tuning?
  • Casi d'uso e benefici del fine-tuning
  • Panoramica dei modelli pre-addestrati e del transfer learning

Preparazione per il fine-tuning

  • Raccolta e pulizia dei dataset
  • Comprensione dei requisiti specifici del compito per i dati
  • Analisi esplorativa dei dati e pre-elaborazione

Tecniche di fine-tuning

  • Transfer learning e estrazione delle caratteristiche
  • Fine-tuning dei transformer con Hugging Face
  • Fine-tuning per compiti supervisionati rispetto a non supervisionati

Fine-tuning dei grandi modelli linguistici (LLM)

  • Adattamento degli LLM per compiti NLP (ad esempio, classificazione del testo, riassunto)
  • Addestramento degli LLM con dataset personalizzati
  • Controllo del comportamento degli LLM tramite ingegneria degli prompt

Ottimizzazione e valutazione

  • Tuning degli iperparametri
  • Valutazione delle prestazioni del modello
  • Gestione dell'overfitting e dell'underfitting

Scalabilità degli sforzi di fine-tuning

  • Fine-tuning su sistemi distribuiti
  • Sfruttamento di soluzioni basate sul cloud per la scalabilità
  • Casi di studio: progetti di fine-tuning su larga scala

Migliori pratiche e sfide

  • Migliori pratiche per il successo del fine-tuning
  • Sfide comuni e risoluzione dei problemi
  • Considerazioni etiche nel fine-tuning dei modelli di IA

Argomenti avanzati (opzionali)

  • Fine-tuning di modelli multimodali
  • Apprendimento zero-shot e few-shot
  • Esplorazione delle tecniche LoRA (Low-Rank Adaptation)

Riepilogo e prossimi passi

Requisiti

  • Conoscenza dei fondamenti del machine learning
  • Esperienza nella programmazione Python
  • Confidenza con i modelli pre-addestrati e le loro applicazioni

Audience

  • Data scientist
  • Ingegneri machine learning
  • Ricercatori di intelligenza artificiale
 14 ore

Numero di Partecipanti


Prezzo per partecipante

Corsi in Arrivo

Categorie relative