Kursplan

Introduksjon til generativ AI

  • Hva er generativ AI og hvorfor er det viktig?
  • Hovedtyper og teknikker for generativ AI
  • Viktige utfordringer og begrensninger ved generativ AI

Transformerarkitektur og LLMs

  • Hva er en transformer og hvordan fungerer den?
  • Hovedkomponenter og egenskaper ved en transformer
  • Å bruke transformere til å bygge LLMs

Skaleringlover og optimalisering

  • Hva er skaleringlover og hvorfor er de viktige for LLMs?
  • Hvordan relaterer skaleringlover seg til modellstørrelse, datasettstørrelse, beregningsbudsjett og inferenskrev?
  • Hvordan kan skaleringlover hjelpe til med å optimalisere ytelse og effektivitet for LLMs?

Trening og finjustering av LLMs

  • Hovedtrinn og utfordringer ved å trene LLMs fra bunnen av
  • Fordeler og ulemper ved å finjustere LLMs for spesifikke oppgaver
  • Beste praksis og verktøy for å trene og finjustere LLMs

Utplassering og bruk av LLMs

  • Hovedoverveielser og utfordringer ved å utplassere LLMs i produksjon
  • Vanlige brukstilfeller og applikasjoner av LLMs i ulike domener og bransjer
  • Å integrere LLMs med andre AI-systemer og plattformer

Etikk og fremtid for generativ AI

  • Etiske og sosiale implikasjoner av generativ AI og LLMs
  • Potensielle risikoer og skader ved generativ AI og LLMs, som bias, misinformasjon og manipulering
  • Ansvarlig og fordelaktig bruk av generativ AI og LLMs

Oppsummering og neste steg

Krav

  • Forståelse av maskinlæringskonsepter, som overvåket og uovervåket læring, tapfunksjoner og datadeling
  • Erfaring med Python-programmering og datamanipulering
  • Grunnleggende kunnskap om neuronnettverk og naturlig språkbehandling

Målgruppe

  • Utviklere
  • Maskinlæringsentusiaster
 21 timer

Antall deltakere


Price per participant

Testimonials (7)

Upcoming Courses

Related Categories