The AI landscape is evolving rapidly, and Large Language Models (LLMs) are at the forefront of this evolution. This chapter examines how LLMs are advancing the development of human-like artificial intelligence and transforming industries through their numerous applications. You will explore the challenges and complexity associated with language modeling.

The rise of LLMs in the AI landscape

Definition of an LLM

LLMs in the AI landscape

AI vs. LLM applications

Real-world applications

Business applications

Multimodal applications

Automate data-driven tasks

Challenges of language modeling

What can a language model do?

Single vs. multi-task learning

Introduction to Large Language Models (LLM)

This chapter emphasizes the novelty of LLMs and their emergent capabilities while outlining various NLP techniques for data preparation. You will learn the challenges of training LLMs and how fine-tuning can effectively address them. You will also understand how N-shot learning techniques enable efficient adaptation of pre-trained models when faced with limited labeled data.

Novelty of LLMs

Problem solving with LLMs

Traditional models vs. LLMs

Generalized overview of NLP

Data preparation

Text preprocessing and representation

Word embeddings over bag-of-words

Fine-tuning

Challenges in building LLMs

Adapt a pre-trained model

Pre-trained or fine-tuned?

Learning techniques

Fine-tune a model

N-shot learning

Building Blocks of LLMs

In this chapter, you will learn about the fundamental building blocks of training an LLM, such as pre-training techniques. You'll also gain an intuitive understanding of complex concepts like transformer architecture, including the attention mechanism. The chapter discusses an advanced fine-tuning technique and summarizes the training process to complete an LLM.

LLM’leri eğitmenin yapı taşları

Maskelenmiş dil

Sonraki kelimeyi tahmin et

LLM Eğitim Süreci

Sıfırdan inşa

Transformer’a giriş

Uzak kelimeler arasındaki ilişkiler

Transformer bileşenlerinin sırası

Transformer bileşenleri

Dikkat mekanizmaları

Çok başlı dikkatin odağı

Options

Self-attention

Multi-head attention

Self vs. multi-head attention

Gelişmiş ince ayar

Uçtan uca eğitim

Eğitim, ayarlama ve geri bildirim

Bir LLM Oluşturma

Training Methodology and Techniques

In this chapter, we delve into the key considerations when training LLMs, such as large data availability, data quality, accurate labeling, and the implications of biased data. You will also examine various LLM risks like data privacy, ethical concerns, and environmental impact. Lastly, the chapter concludes by discussing emerging research areas and the evolving landscape of LLMs.

Data concerns and considerations

Is your model fair?

Un-biased and relevant

Customer service of a bank

Ethical and environmental concerns

Responsible use

Ethics and environment

Where are LLMs heading?

Creativity vs. efficiency

Analyzing literary works

Time to wrap-up

Concerns and Considerations

Course Glossary

Bu kursta, Large Language Models (LLMs) dünyasında bir yolculuğa çıkacak ve yapay zekâ alanını nasıl yeniden şekillendirdiklerini keşfedeceksin. Gerçek dünyadan örneklerle işletmeleri ve günlük yaşamı nasıl dönüştürdüklerini görecek, ayrıca yapı taşlarını öğreneceksin. İlerledikçe, eğitim yöntemleri hakkında da içgörüler kazanacaksın. Son olarak, LLM’ler için kritik etik ve çevresel konuları ele alacak ve LLM’lerin geleceğinin nasıl görünebileceğine bakacaksın. Kursun sonunda, LLM’ler, yetenekleri, kullanım alanları ve zorlukları hakkında kapsamlı bir anlayışa sahip olacaksın.

Videolarda, videoların sol alt kısmındaki "Show transcript" seçeneğine tıklayarak açabileceğin canlı dökümler bulunur.

Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.

CPE kredileri almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağdaki CPE kredileri duyuru alanına tıklayarak değerlendirmeye gidebilirsin.

<h2>Büyük Dil Modelleri</h2>
Bu kursta, Büyük Dil Modelleri (LLM) dünyasını keşfedecek ve bunların yapay zeka alanını nasıl yeniden şekillendirdiğini öğreneceksiniz. Derin öğrenme devrimi, veri kullanılabilirliği ve bilgi işlem gücü gibi LLM patlamasını tetikleyen faktörleri keşfedeceksiniz.
<br><br>
Bu kavramsal ders, LLM'leri ve bunların finansdan içerik oluşturmaya kadar gerçek hayattan örneklerle iş dünyasını ve günlük yaşamı nasıl kökten değiştirdiğini ele alacaktır.
<br><br>
<h2>LLM'lerin ve Eğitim Metodolojilerinin Sırlarını Keşfedin</h2>
Doğal dil işleme teknikleri, ince ayar stratejileri ve sıfır atış, az atış ve çoklu atış öğrenme gibi öğrenme teknikleri dahil olmak üzere LLM'lerin yapı taşları hakkında bilgi edineceksiniz. İlerledikçe, bir sonraki kelime tahmini, maskeli dil modelleme ve dikkat mekanizmaları dahil olmak üzere LLM'leri yönlendiren en son teknoloji eğitim metodolojileri hakkında bilgi edineceksiniz.
<br><br>
<h2>LLM'lerle ilgili endişeleri ve dikkate alınması gereken hususları keşfedin</h2>
Ayrıca, eğitim verileri ve gizlilik endişeleri gibi LLM'lerin oluşturulması ve eğitilmesinde kritik öneme sahip etik ve çevresel hususları da ele alacaksınız.
<br><br>
Kursu tamamlarken, LLM alanındaki en son araştırmaları inceleyerek nasıl bir adım önde olabileceğinizi keşfedeceksiniz. Model açıklanabilirliği, denetimsiz önyargı yönetimi, hesaplama verimliliği ve gelişmiş yaratıcılık odaklı gelecekteki gelişmeleri keşfedeceksiniz.
<br><br>
Bu kursun sonunda, LLM'ler, yetenekleri, uygulamaları ve ilgi çekici zorlukları hakkında kapsamlı bir anlayışa sahip olacaksınız.

Understanding Machine Learning

LLM'lerin potansiyelini uygulamalar, eğitim yöntemleri, etik ve araştırmalarla keşfedin.

Large Language Models (LLMs) Kavramları

LLM uygulamaları, eğitim metodolojileri, etik hususlar ve en son araştırmaları kapsayan kavramsal kursumuzla LLM'lerin tüm potansiyelini keşfedin.

LLM’leri eğitmenin yapı taşları

Create Your Free Account