Kursplan

Introduksjon til finjustering

  • Hva er finjustering?
  • Brukssaker og fordeler med finjustering
  • Oversikt over ferdigtrente modeller og overføringslæring

Forbereder for finjustering

  • Innsamling og rengjøring av datasett
  • Forstå oppgavespesifikke datakrav
  • Utforskende dataanalyse og forbehandling

Finjusteringsteknikker

  • Overfør læring og funksjonsutvinning
  • Finjustering av transformatorer med Hugging Face
  • Finjustering for overvåkede kontra ikke-overvåkede oppgaver

Finjustering Large Language Models (LLMs)

  • Tilpasning av LLM-er for NLP-oppgaver (f.eks. tekstklassifisering, oppsummering)
  • Opplæring av LLM-er med tilpassede datasett
  • Kontrollere LLM-atferd med rask utvikling

Optimalisering og evaluering

  • Innstilling av hyperparameter
  • Evaluering av modellens ytelse
  • Ta tak i over- og undertilpasning

Skalering av finjusteringsinnsats

  • Finjustering på distribuerte systemer
  • Utnytte skybaserte løsninger for skalerbarhet
  • Kasusstudier: Storskala finjusteringsprosjekter

Beste praksis og utfordringer

  • Beste praksis for finjusteringssuksess
  • Vanlige utfordringer og feilsøking
  • Etiske hensyn ved finjustering av AI-modeller

Avanserte emner (valgfritt)

  • Finjustering av multimodale modeller
  • Nullskudds- og fåskuddslæring
  • Utforsking av LoRA-teknikker (Low-Rank Adaptation).

Sammendrag og neste trinn

Krav

  • Forståelse av grunnleggende maskinlæring
  • Erfaring med Python programmering
  • Kjennskap til ferdigtrente modeller og deres applikasjoner

Publikum

  • Dataforskere
  • Maskinlæringsingeniører
  • AI-forskere
 14 timer

Antall deltakere


Price per participant

Upcoming Courses

Related Categories