Börja din resa med stora språkmodeller (LLM:er) – lär dig vad de är, vad de kan göra och hur de fungerar under huven.

Introduktion till stora språkmodeller (LLMs)

Använda en pipeline för sammanfattning

Rensa upp svar

Använda förtränade LLM:er

Generera text

Översätta text

Förstå transformern

Identifiera transformern

Välja rätt modellstruktur

Kom igång med stora språkmodeller (LLM:er)

Lär dig hur du använder förtränade LLM:er och datamängder från Hugging Face för att finjustera en modell.

Förberedelser inför finjustering

Tokenisera text

Kartlägg tokenisering

Finjustering genom träning

Konfigurera träningsargument

Konfigurera träningshanteraren

Använda den finjusterade modellen

Metoder för finjustering

Transferinlärning med one-shot learning

Metoder för transferinlärning

Finjustering av LLM:er

Utforska olika mätvärden för att bedöma modellprestanda och avsluta med att lära dig om utmaningarna med att tillämpa LLM:er i verkliga sammanhang.

Evaluate-biblioteket

Läsa in mätvärden med evaluate

Beskriva mätvärden

Använda evaluate-mått

Mätvärden för språkuppgifter: perplexitet och BLEU

Utvärdera perplexitet

BLEU-översättningar

Mätvärden för språkuppgifter: ROUGE, METEOR, EM

Utvärdering med ROUGE

Utvärdering med METEOR

Utvärdering med EM

Att säkra LLM:er

Kontrollera toxicitet

Utvärdera regard

I mål

Utvärdering av LLM-prestanda

Course Glossary Introduction to LLMs in Python

Stora språkmodeller (LLM:er) har blivit centrala verktyg bakom några av de mest imponerande framstegen inom dagens AI-landskap. Den här praktiska kursen ger dig de kunskaper och färdigheter du behöver för att förstå, bygga och använda LLM:er för att lösa komplexa språkuppgifter som översättning, textgenerering, frågesvar och mycket mer. Genom interaktiva kodövningar lär du dig att arbeta med transformers. Du utforskar också förtränade språkmodeller och datamängder från Hugging Face. I slutet av kursen kan du finjustera och utvärdera förtränade LLM:er med hjälp av specialiserade mätvärden. Du får även en förståelse för de viktigaste utmaningarna och etiska övervägandena kring LLM-tillämpningar i verkliga sammanhang.

Videorna innehåller live-transkriptioner som du kan visa genom att klicka på "Visa transkription" längst ned till vänster i videospelaren.
Kursens ordlista finns till höger i resurssektionen.
För att få CPE-poäng behöver du slutföra kursen och uppnå minst 70 % på den kvalificerade bedömningen. Du kan navigera till bedömningen genom att klicka på CPE-poäng-länken till höger.

<h2>Upptäck vad som ligger bakom hajpen kring stora språkmodeller</h2>
<br><br>
Stora språkmodeller (LLM:er) har blivit avgörande verktyg som driver några av de mest imponerande framstegen och tillämpningarna i dagens AI-landskap. Denna praktiska kurs ger dig den kunskap och de färdigheter du behöver för att förstå, bygga och utnyttja kraften i LLM:er för att lösa komplexa språkuppgifter som översättning, språkgenerering och mer.
<br><br>
<h2>Upptäck LLM-arkitektur och utnyttja förtränade modeller</h2>
<br><br>
Genom interaktiva kodövningar kommer du att upptäcka olika transformerarkitekturer och hur du identifierar dem. Du kommer att utforska hur du kan utnyttja förtränade språkmodeller och dataset från Hugging Face för att finjustera och utvärdera din modell med hjälp av avancerade mätvärden som passar LLM:er. Slutligen får du veta mer om etiska frågor och bias som är relevanta för LLM:er samt hur du kan identifiera dem. I slutet av den här kursen kommer du att kunna bygga LLM:er, finjustera och utvärdera dem med hjälp av specialiserade mätvärden, samtidigt som du förstår de viktigaste utmaningarna och etiska övervägandena kring att möjliggöra verkliga LLM-tillämpningar.

Working with Hugging Face

Lär dig grunderna i LLM och den revolutionerande transformerarkitekturen de bygger på!

Introduktion till LLM:er i Python

Lär dig grunderna i LLM:er och den revolutionerande transformerarkitekturen de bygger på!

Associate AI Engineer för data scientists

Utveckla stora språkmodeller

Hugging Face-grunderna

Snowflake AI-grunder

Utvärdera perplexitet

Introduktion till LLM:er i Python

Övningsinstruktioner

Interaktiv övning med praktiskt arbete