Yapay zekâ dünyasında LLM'ler

Videoda, LLM'lerin machine learning ve deep learning de dahil olmak üzere daha geniş yapay zekâ manzarasında nereye oturduğunu görselleştirdin.

Şimdi, en genişten en özele doğru üstten alta sıralayarak yapay zekâ manzarasını ne kadar anladığını göstereceksin.

Bu egzersiz, kursun bir parçasıdır

Large Language Models (LLMs) Kavramları

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Large Language Models (LLMs) Kavramları

InicianteNível de habilidade

4.8+

Kursa Ücretsiz Başla

Yapay zekâ dünyası hızla evriliyor ve Large Language Models (LLMs) bu evrimin ön saflarında yer alıyor. Bu bölüm, LLM’lerin insan benzeri yapay zekâ geliştirmedeki ilerlemeleri nasıl hızlandırdığını ve çok sayıdaki uygulamalarıyla sektörleri nasıl dönüştürdüğünü inceler. Dil modellemenin beraberinde getirdiği zorlukları ve karmaşıklığı keşfedeceksin.

Exercise 1: AI dünyasında LLM’lerin yükselişi Exercise 2: Bir LLM'in tanımı Exercise 3: Yapay zekâ dünyasında LLM'ler

Geçerli egzersiz

Exercise 4: AI ve LLM uygulamaları Exercise 5: Gerçek dünya uygulamaları Exercise 6: İş uygulamaları Exercise 7: Multimodal uygulamalar Exercise 8: Veri odaklı görevleri otomatikleştir Exercise 9: Dil modellemenin zorlukları Exercise 10: Bir dil modeli neler yapabilir?Exercise 11: Tek görevli vs. çok görevli öğrenim

Bu bölüm, LLM’lerin yeniliğini ve ortaya çıkan yeteneklerini vurgularken veri hazırlama için çeşitli NLP tekniklerini özetler. LLM eğitiminin zorluklarını ve ince ayarın (fine-tuning) bunları nasıl etkili biçimde ele alabildiğini öğreneceksin. Ayrıca, sınırlı etiketli verilerle karşılaşıldığında önceden eğitilmiş modellere verimli uyum sağlayan N-shot öğrenme tekniklerini anlayacaksın.

Exercise 1: LLM'lerin Yeniliği Exercise 2: LLM'lerle problem çözme Exercise 3: Geleneksel modeller vs. LLM'ler Exercise 4: Genelleştirilmiş NLP genel bakışı Exercise 5: Veri hazırlama Exercise 6: Metin ön işleme ve gösterimi Exercise 7: Bag-of-words yerine kelime gömme yöntemleri Exercise 8: İnce ayar Exercise 9: LLM geliştirmedeki zorluklar Exercise 10: Önceden eğitilmiş bir modeli uyarlama Exercise 11: Ön eğitim mi, ince ayar mı?Exercise 12: Öğrenme teknikleri Exercise 13: Bir modeli ince ayar yap Exercise 14: N-shot öğrenme

Bu bölümde, bir LLM’i eğitmenin temel yapı taşlarını, örneğin ön eğitim (pre-training) tekniklerini öğreneceksin. Ayrıca dikkat mekanizması dâhil olmak üzere transformer mimarisi gibi karmaşık kavramları sezgisel olarak kavrayacaksın. Bölüm, ileri düzey bir ince ayar tekniğini ele alır ve bir LLM’i tamamlamak için eğitim sürecini özetler.

Exercise 1: LLM’leri eğitmenin yapı taşları Exercise 2: Maskelenmiş dil Exercise 3: Sonraki kelimeyi tahmin et Exercise 4: Sıfırdan inşa etmek Exercise 5: Transformer’a giriş Exercise 6: Uzak kelimeler arasındaki ilişkiler Exercise 7: Transformer bileşenleri Exercise 8: Dikkat mekanizmaları Exercise 9: Çok başlı dikkatin odağı Exercise 10: Self vs. multi-head attention Exercise 11: Gelişmiş ince ayar Exercise 12: Uçtan uca eğitim Exercise 13: Eğitim, ayarlama ve geri bildirim Exercise 14: Bir LLM Oluşturma

Bu bölümde, büyük veri mevcudiyeti, veri kalitesi, doğru etiketleme ve önyargılı verinin sonuçları gibi LLM eğitirken dikkate alınması gereken temel noktaları ele alıyoruz. Ayrıca veri gizliliği, etik konular ve çevresel etki gibi çeşitli LLM risklerini inceleyeceksin. Son olarak, bölüm yeni araştırma alanlarını ve LLM’lerin gelişen manzarasını tartışarak sona erer.

Exercise 1: Veriyle ilgili kaygılar ve dikkat edilmesi gerekenler Exercise 2: Modelin adil mi?Exercise 3: Önyargısız ve ilgili Exercise 4: Bir bankanın müşteri hizmetleri Exercise 5: Etik ve çevresel kaygılar Exercise 6: Sorumlu kullanım Exercise 7: Etik ve çevre Exercise 8: LLM'ler nereye gidiyor?Exercise 9: Yaratıcılık vs. verimlilik Exercise 10: Edebi eserleri analiz etme Exercise 11: Kapanış zamanı