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!

Introductie tot large language models (LLM's)

Een pipeline gebruiken voor samenvatten

Antwoorden opschonen

Voorgetrainde LLM’s gebruiken

Tekst genereren

Tekst vertalen

De transformer begrijpen

Herken de transformer

De juiste modelstructuur gebruiken

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.

The evaluate library

Loading metrics with evaluate

Describing metrics

Using evaluate metrics

Metrics for language tasks: perplexity and BLEU

Evaluating perplexity

BLEU translations

Metrics for language tasks: ROUGE, METEOR, EM

Evaluating with ROUGE

Evaluating with METEOR

Evaluating with EM

Safeguarding LLMs

Checking toxicity

Evaluating regard

The finish line

Evaluating LLM performance

Course Glossary Introduction to LLMs in Python

Large Language Models (LLM’s) zijn cruciale tools achter de meest indrukwekkende vorderingen en toepassingen in het huidige AI-landschap. In deze praktische cursus leer je de kennis en vaardigheden die je nodig hebt om de kracht van LLM’s te begrijpen, te bouwen en in te zetten voor complexe taaktaken zoals vertaling, tekstgeneratie, vraag-en-antwoord en meer. Met interactieve codeoefeningen leer je werken met transformers. Je verkent ook voorgetrainde taalmodellen en gegevenssets van Hugging Face. Aan het einde van deze cursus kun je voorgetrainde LLM’s fine-tunen en evalueren met gespecialiseerde statistieken. Je krijgt ook inzicht in de belangrijkste uitdagingen en ethische overwegingen bij het inzetten van LLM’s in de echte wereld.

De video’s bevatten live-transcripts die je kunt tonen door linksonder in de video’s op "Show transcript" te klikken.
De cursussamenvatting (glossary) vind je rechts bij de sectie met bronnen.
Om CPE-credits te behalen, moet je de cursus afronden en minimaal 70% scoren op de kwalificerende toets. Je gaat naar de toets via de CPE-creditsvermelding aan de rechterkant.

<h2>Ontdek wat er achter de hype rond grote taalmodellen zit</h2>
<br><br>
Grote taalmodellen (LLM's) zijn echt belangrijke tools geworden die zorgen voor een paar van de meest verbluffende ontwikkelingen en toepassingen in de huidige AI-wereld. Deze praktische cursus geeft je de praktische kennis en vaardigheden die je nodig hebt om de kracht van LLMs te begrijpen, te bouwen en te gebruiken voor het oplossen van complexe taaltaken, zoals vertalen, taalgeneratie en meer.
<br><br>
<h2>Ontdek LLM Architecture en maak gebruik van vooraf getrainde modellen</h2>
<br><br>
Door middel van interactieve programmeeroefeningen leer je verschillende transformatorarchitecturen kennen en hoe je ze kunt herkennen. Je gaat kijken hoe je vooraf getrainde taalmodellen en datasets van Hugging Face kunt gebruiken om je model te verfijnen en te evalueren met geavanceerde statistieken die bij LLMs passen. Tot slot kom je meer te weten over ethische kwesties en vooroordelen die bij LLM's spelen en hoe je die kunt herkennen. Aan het einde van deze cursus kun je LLM's bouwen, ze verfijnen en evalueren met behulp van speciale meetmethoden, terwijl je de belangrijkste uitdagingen en ethische overwegingen begrijpt die komen kijken bij het mogelijk maken van LLM-toepassingen in de praktijk.

Working with Hugging Face

Leer de basis van LLM's en de revolutionaire transformerarchitectuur waarop ze zijn gebaseerd!

Een pipeline gebruiken voor samenvatten

Introductie tot LLM’s in Python

Oefeninstructies

Praktische interactieve oefening