Begin your journey with Large Language Models (LLMs) by understanding what they are and what they can do, and peek under the hood to get an idea of how they work!

Introduction to large language models (LLMs)

Using a pipeline for summarization

Cleaning up replies

Using pre-trained LLMs

Generating text

Translating text

Understanding the transformer

Identify the transformer

Using the correct model structure

Getting Started with Large Language Models (LLMs)

Learn how to leverage pre-trained LLMs and datasets from Hugging Face to fine-tune a model.

Preparing for fine-tuning

Tokenizing text

Mapping tokenization

Fine-tuning through training

Setting up training arguments

Setting up the trainer

Using the fine-tuned model

Fine-tuning approaches

Transfer learning with one-shot learning

Transfer learning approaches

Fine-tuning LLMs

Dive into different metrics to assess model performance and wrap up by learning about the challenges of applying LLMs in the real world.

La libreria evaluate

Caricare metriche con evaluate

Descrivere le metriche

Usare le metriche di evaluate

Metriche per i compiti di linguaggio: perplexity e BLEU

Valutare la perplexity

Traduzioni BLEU

Metriche per i compiti di linguaggio: ROUGE, METEOR, EM

Valutare con ROUGE

Valutare con METEOR

Valutare con EM

Mettere in sicurezza gli LLM

Verifica della tossicità

Valutare il regard

Il traguardo

Evaluating LLM performance

Course Glossary Introduction to LLMs in Python

I Large Language Models (LLM) sono diventati strumenti fondamentali che alimentano alcuni dei progressi e delle applicazioni più sorprendenti nell’AI di oggi. Questo corso pratico ti fornirà le conoscenze e le competenze necessarie per capire, costruire e sfruttare la potenza degli LLM per risolvere compiti linguistici complessi come traduzione, generazione di testo, question answering e altro ancora. Attraverso esercizi di codice interattivi, imparerai a lavorare con i transformer. Esplorerai anche modelli linguistici pre-addestrati e insiemi di dati da Hugging Face. Al termine del corso, saprai effettuare il fine-tuning e valutare LLM pre-addestrati utilizzando metriche specializzate. Inoltre, acquisirai consapevolezza delle principali sfide e considerazioni etiche nell’abilitare applicazioni di LLM nel mondo reale.

I video includono trascrizioni dal vivo che puoi visualizzare facendo clic su "Show transcript" in basso a sinistra nei video.
Il glossario del corso è disponibile a destra nella sezione delle risorse.
Per ottenere i crediti CPE devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione facendo clic sul riquadro dei crediti CPE sulla destra.

Working with Hugging Face

Scopri i fondamenti degli LLM e l'architettura rivoluzionaria dei transformer su cui si basano!

Introduzione agli LLM in Python

Scopri i fondamenti degli LLM e la rivoluzionaria architettura transformer su cui si basano!

Ingegnere AI associato per scienziati dei dati

Sviluppare modelli linguistici di grandi dimensioni

Nozioni di base su Hugging Face

Nozioni di base sull'intelligenza artificiale di Snowflake

Valutare con EM

Introduzione agli LLM in Python

Istruzioni dell'esercizio

Esercizio pratico interattivo