Schița de curs

Introducere în Ajustarea Fină

  • Ce este ajustarea fină?
  • Cazuri de utilizare și beneficii ale ajustării fine
  • Prezentare generală a modelelor pre-antrenate și a învățării prin transfer

Pregătirea pentru Ajustarea Fină

  • Colectarea și curățarea seturilor de date
  • Înțelegerea cerințelor de date specifice sarcinii
  • Analiza exploratorie a datelor și preprocesarea

Tehnici de Ajustare Fină

  • Învățarea prin transfer și extragerea de caracteristici
  • Ajustarea fină a transformatoarelor cu Hugging Face
  • Ajustarea fină pentru sarcini supervizate vs nesupervizate

Ajustarea Fină a Modelelor de Limbaj de Mare Anvergură (LLMs)

  • Adaptarea LLMs pentru sarcini de NLP (de ex., clasificare de text, sumarizare)
  • Antrenarea LLMs cu seturi de date personalizate
  • Controlul comportamentului LLMs prin inginerie de prompt

Optimizare și Evaluare

  • Reglarea hiperparametrilor
  • Evaluarea performanței modelului
  • Abordarea supraadaptării și subadaptării

Scalarea Eforturilor de Ajustare Fină

  • Ajustarea fină pe sisteme distribuite
  • Utilizarea soluțiilor bazate pe cloud pentru scalabilitate
  • Studii de caz: Proiecte de ajustare fină la scară mare

Cele Mai Bune Practici și Provocări

  • Cele mai bune practici pentru succesul ajustării fine
  • Provocări comune și depanare
  • Considerații etice în ajustarea modelelor de IA

Subiecte Avansate (Opțional)

  • Ajustarea fină a modelelor multi-modale
  • Învățare zero-shot și few-shot
  • Explorarea tehnicilor LoRA (Low-Rank Adaptation)

Rezumat și Pași Următori

Cerințe

  • Înțelegerea fundamentelor învățării automate
  • Experiență în programarea Python
  • Familiaritate cu modelele pre-antrenate și aplicațiile acestora

Publicul țintă

  • Oameni de știință de date
  • Ingineri de învățare automată
  • Cercetători în domeniul IA
 14 Ore

Numărul de participanți


Pret per participant

Cursuri viitoare

Categorii înrudite