เริ่มต้นทำความรู้จักกับ Large Language Models (LLMs) ว่าคืออะไรและทำอะไรได้บ้าง พร้อมเจาะลึกกลไกการทำงานเบื้องต้น

Large Language Models (LLMs) เบื้องต้น

ใช้ Pipeline สำหรับการสรุปข้อความ

การทำความสะอาดข้อความในคำตอบ

การใช้งาน LLM ที่ผ่านการฝึกมาแล้ว

การสร้างข้อความ

การแปลข้อความ

ทำความเข้าใจ Transformer

ระบุ Transformer

การเลือกโครงสร้างโมเดลที่เหมาะสม

เริ่มต้นกับ Large Language Models (LLMs)

เรียนรู้วิธีใช้ LLMs ที่ผ่านการฝึกมาแล้วและชุดข้อมูลจาก Hugging Face เพื่อ fine-tune โมเดล

เตรียมพร้อมสำหรับการ Fine-tuning

การ Tokenize ข้อความ

การ mapping tokenization

การ Fine-tuning ผ่านการฝึกโมเดล

ตั้งค่า training arguments

ตั้งค่า Trainer

ใช้งานโมเดลที่ fine-tune แล้ว

แนวทางการ Fine-tune โมเดล

Transfer learning ด้วย One-Shot Learning

แนวทาง Transfer Learning

การ Fine-tune LLMs

สำรวจเมตริกต่าง ๆ สำหรับประเมินประสิทธิภาพของโมเดล และปิดท้ายด้วยความท้าทายในการนำ LLMs ไปใช้งานจริง

ไลบรารี evaluate

โหลดเมตริกด้วย evaluate

การอธิบาย Metrics

การใช้เมตริกจาก evaluate

เมตริกสำหรับงานด้านภาษา: Perplexity และ BLEU

การประเมินค่า Perplexity

การแปลด้วย BLEU

เมตริกสำหรับงานด้านภาษา: ROUGE, METEOR, EM

การประเมินผลด้วย ROUGE

การประเมินด้วย METEOR

การประเมินด้วย EM

การปกป้องและดูแล LLMs

ตรวจสอบระดับความเป็นพิษ

การประเมิน regard

เส้นชัย

การประเมินประสิทธิภาพของ LLM

Course Glossary Introduction to LLMs in Python

Large Language Models (LLMs) กลายเป็นเครื่องมือสำคัญที่ขับเคลื่อนความก้าวหน้าและการประยุกต์ใช้ที่น่าทึ่งที่สุดในวงการ AI ยุคปัจจุบัน คอร์สเชิงปฏิบัตินี้จะเสริมสร้างความรู้และทักษะที่จำเป็นสำหรับการทำความเข้าใจ สร้าง และนำพลัง LLMs มาใช้แก้ปัญหาด้านภาษา เช่น การแปล การสร้างข้อความ การตอบคำถาม และอื่น ๆ อีกมากมาย ผ่านแบบฝึกหัดเขียนโค้ดแบบโต้ตอบ จะได้เรียนรู้การทำงานกับ transformers รวมถึงสำรวจโมเดลภาษาที่ผ่านการฝึกมาแล้วและชุดข้อมูลจาก Hugging Face เมื่อจบคอร์สนี้ จะสามารถ fine-tune และประเมิน LLMs ที่ผ่านการฝึกมาแล้วโดยใช้เมตริกเฉพาะทางได้ นอกจากนี้ยังจะได้ทำความเข้าใจกับความท้าทายหลักและข้อพิจารณาด้านจริยธรรมในการนำ LLMs ไปใช้งานจริง

วิดีโอมีคำบรรยายแบบเรียลไทม์ที่สามารถดูได้โดยคลิก "Show transcript" ที่มุมล่างซ้ายของวิดีโอ
ดูอภิธานศัพท์ของคอร์สได้ในส่วน Resources ทางด้านขวา
เพื่อรับหน่วยกิต CPE ต้องเรียนจนครบคอร์สและได้คะแนนไม่ต่ำกว่า 70% ในการประเมินที่กำหนด สามารถไปยังหน้าประเมินได้โดยคลิกที่แถบ CPE credits ทางด้านขวา

<h2>ค้นพบสิ่งที่อยู่เบื้องหลังกระแสความนิยมของโมเดลภาษาขนาดใหญ่</h2>
<br><br>
โมเดลภาษาขนาดใหญ่ (LLMs) ได้กลายเป็นเครื่องมือสำคัญที่ขับเคลื่อนความก้าวหน้าและการประยุกต์ใช้ที่น่าทึ่งที่สุดบางส่วนในภูมิทัศน์ AI ของปัจจุบัน หลักสูตรเชิงปฏิบัตินี้จะมอบความรู้และทักษะที่ใช้ได้จริงให้คุณ เพื่อทำความเข้าใจ สร้าง และใช้ประโยชน์จากพลังของ LLMs ในการแก้ปัญหางานด้านภาษาอันซับซ้อน เช่น การแปล การสร้างภาษา และอื่นๆ
<br><br>
<h2>ค้นพบสถาปัตยกรรม LLM และใช้ประโยชน์จากโมเดลที่ผ่านการฝึกมาแล้ว</h2>
<br><br>
ผ่านแบบฝึกหัดการเขียนโค้ดแบบโต้ตอบ คุณจะได้ค้นพบสถาปัตยกรรมทรานส์ฟอร์เมอร์แบบต่างๆ และวิธีระบุพวกมัน คุณจะได้สำรวจการใช้ประโยชน์จากโมเดลภาษาที่ผ่านการฝึกมาก่อนและชุดข้อมูลจาก Hugging Face สำหรับการปรับแต่งและประเมินโมเดลของคุณโดยใช้เมตริกขั้นสูงที่เหมาะกับ LLMs สุดท้าย คุณจะได้เรียนรู้เพิ่มเติมเกี่ยวกับประเด็นด้านจริยธรรมและอคติที่เกี่ยวข้องกับ LLMs รวมถึงวิธีระบุประเด็นเหล่านี้ เมื่อจบหลักสูตรนี้ คุณจะสามารถสร้าง LLM ปรับแต่ง (fine-tune) และประเมินผลด้วยเมตริกเฉพาะทาง พร้อมทั้งเข้าใจความท้าทายสำคัญและข้อพิจารณาด้านจริยธรรมในการทำให้แอปพลิเคชัน LLM ใช้งานได้จริงในโลกจริง

Working with Hugging Face

เรียนรู้พื้นฐานของ LLMs และสถาปัตยกรรมทรานส์ฟอร์มเมอร์ที่ปฏิวัติวงการ!

Python เบื้องต้นสำหรับ LLMs

เรียนรู้แก่นแท้ของ LLMs และสถาปัตยกรรม transformer อันปฏิวัติวงการที่เป็นพื้นฐานของมัน!

วิศวกร AI ระดับเริ่มต้นสำหรับนักวิทยาศาสตร์ข้อมูล

การพัฒนาโมเดลภาษาขนาดใหญ่

พื้นฐาน Hugging Face

พื้นฐาน AI ของ Snowflake

Senior Data Science Content Developer, DataCamp

เมตริกสำหรับงาน NLP: Perplexity และ BLEU

งานและเมตริกของ LLM

Perplexity

ผลลัพธ์ Perplexity

BLEU

ผลลัพธ์ BLEU

มาฝึกกันเถอะ!

การประเมินประสิทธิภาพของ LLM - เมตริกสำหรับงานด้านภาษา: Perplexity และ BLEU

เมตริกสำหรับงานด้านภาษา: Perplexity และ BLEU

Create Your Free Account