Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione
- Cosa sono Large Language Models (LLMs)?
- LLM vs modelli NLP tradizionali
- Panoramica delle caratteristiche e dell'architettura degli LLM
- Sfide e limiti degli LLM
Comprendere gli LLM
- Il ciclo di vita di un LLM
- Come funzionano gli LLM
- I componenti principali di un LLM: encoder, decoder, attenzione, embedding, ecc.
Introduttiva
- Impostazione dell'ambiente di sviluppo
- Installazione di un LLM come strumento di sviluppo, ad esempio Google Colab, Hugging Face
Lavorare con gli LLM
- Esplorare le opzioni LLM disponibili
- Creazione e utilizzo di un LLM
- Messa a punto di un LLM su un set di dati personalizzato
Riassunto del testo
- Comprendere il compito di riassunto del testo e le sue applicazioni
- Utilizzo di un LLM per il riassunto di testi estrattivi e astratti
- Valutare la qualità dei riepiloghi generati utilizzando metriche come ROUGE, BLEU, ecc.
Risposta alle domande
- Comprendere il compito di rispondere alle domande e le sue applicazioni
- Utilizzo di un LLM per la risposta a domande a dominio aperto e a dominio chiuso
- Valutare l'accuratezza delle risposte generate utilizzando metriche come F1, EM, ecc.
Generazione di testo
- Comprendere l'attività di generazione del testo e le sue applicazioni
- Utilizzo di un LLM per la generazione di testo condizionale e incondizionato
- Controllo dello stile, del tono e del contenuto dei testi generati utilizzando parametri come temperatura, top-k, top-p, ecc.
Integrazione degli LLM con altri framework e piattaforme
- Utilizzo di LLM con PyTorch o TensorFlow
- Utilizzo di LLM con Flask o Streamlit
- Utilizzo di LLM con Google Cloud o AWS
Risoluzione dei problemi
- Comprendere gli errori e i bug più comuni negli LLM
- Utilizzo di TensorBoard per monitorare e visualizzare il processo di formazione
- Utilizzo di PyTorch Lightning per semplificare il codice di addestramento e migliorare le prestazioni
- Utilizzo di Hugging Face Datasets per caricare e pre-elaborare i dati
Riepilogo e prossime tappe
Requisiti
-
Comprensione dell'elaborazione del linguaggio naturale e del deep learning
Esperienza con Python e PyTorch o TensorFlow
Esperienza di programmazione di base
Pubblico
-
Gli sviluppatori
Appassionati di PNL
Scienziati dei dati
14 ore
