Oreilly – Quick Guide to ChatGPT, Embeddings, and Other Large Language Models (LLMs) 2024-8

توضیحات

دوره Quick Guide to ChatGPT Embeddings and Other Large Language Models (LLMs). این دوره آموزشی ۹ ساعت ویدیوی آموزشی در اختیار شما قرار می‌دهد تا با نحوه‌ی استفاده و راه‌اندازی مدل‌های زبان بزرگ (LLM) نظیر GPT، T5 و BERT در پروژه‌های واقعی آشنا شوید. این دوره با رویکردی مرحله به مرحله، به شما نحوه‌ی ساخت و راه‌اندازی مدل‌های زبان بزرگ را آموزش می‌دهد و برای درک بهتر مفاهیم، از نمونه‌های واقعی استفاده می‌کند. موضوعاتی که در این دوره، با استفاده از معماری‌های سیامی BERT، سیستم بازیابی اطلاعات با جاسازی‌های OpenAI و GPT3 و همچنین ساختن سیستم شرح تصاویر با ترانسفورماتور بینایی و GPT-J، پوشش داده می‌شوند عبارتند از:

• ساخت موتورهای توصیه
• راه‌اندازی سیستم‌های بازیابی اطلاعات
• ساخت سیستم شرح تصاویر

این دوره همچنین با ارائه دستورالعمل‌های واضح و بهترین شیوه‌ها برای استفاده از مدل‌های زبان بزرگ، به پر کردن خلا موجود در این زمینه می‌پردازد و برای هرکسی که به دنبال استفاده از LLMها در پروژه‌های خود است، یک منبع ارزشمند خواهد بود.

آنچه فرا خواهید گرفت:

• راه‌اندازی یک اپلیکیشن با استفاده از مدل‌های اختصاصی، با ذکر مثالی از سیستم بازیابی اطلاعات با جاسازی‌های OpenAI و GPT3 برای پرسش و پاسخ.
• بهبود عملکرد GPT3 با استفاده از نمونه‌های سفارشی از طریق API آن‌ها.
• یادگیری اصول اولیه مهندسی پرامپت با GPT3 برای دستیابی به نتایج ظریف‌تر، با ساخت یک چت‌بات که متناسب با مخاطب، سبک صحبت خود را تغییر می‌دهد (با استفاده از سیستم بازیابی اطلاعات).
• استقرار مدل‌های LLM سفارشی در فضای ابری

این دوره مناسب افرادیست که:

• مهندسان یادگیری ماشین با تجربه در یادگیری ماشین، شبکه‌های عصبی و پردازش زبان طبیعی (NLP) هستند.
• توسعه‌دهندگان، دانشمندان داده و مهندسینی که به استفاده از مدل‌های زبان بزرگ (LLM) در پروژه‌های خود علاقه‌مند هستند.
• افرادی که می‌خواهند بهترین خروجی را از مدل‌های GPT-3 یا ChatGPT دریافت کنند.
• علاقه‌مندان به معماری‌های NLP پیشرفته
• علاقه‌مندان به تولید و بهبود عملکرد مدل‌های LLM
• افرادی که با کتابخانه‌هایی مانند TensorFlow یا PyTorch راحت هستند.
• افرادی که با جبر خطی و عملیات برداری/ماتریسی راحت هستند.

مشخصات دوره

• ناشر: Oreilly
• مدرس: Sinan Ozdemir
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 9 ساعت 20 دقیقه

سرفصل های دوره

• Introduction
  1. Quick Guide to Large Language Models: Introduction
• Module 1: Introduction to Large Language Models
  1. Module Introduction
• Lesson 1: Overview of Large Language Models
  1. Topics
  2. 1.1 What Are Language Models?
  3. 1.2 Popular Modern LLMs
  4. 1.3 Applications of LLMs
• Lesson 2: Semantic Search with LLMs
  1. Topics
  2. 2.1 Introduction to Semantic Search
  3. 2.2 Building a Semantic Search System
  4. 2.3 Optimizing Semantic Search with Cross-Encoders and Fine-Tuning
• Lesson 3: First Steps with Prompt Engineering
  1. Topics
  2. 3.1 Introduction to Prompt Engineering
  3. 3.2 Working with Prompts Across Models
  4. 3.3 Building a Retrieval-Augmented Generation Bot with ChatGPT and GPT-4
• Module 2: Getting the Most Out of LLMs
  1. Module Introduction
• Lesson 4: Optimizing LLMs with Fine-Tuning
  1. Topics
  2. 4.1 Transfer Learning—A Primer
  3. 4.2 The OpenAI Fine-Tuning API
  4. 4.3 Case Study: Predicting with Amazon Reviews–Part 1
  5. 4.4 Case Study: Predicting with Amazon Reviews–Part 2
• Lesson 5: Advanced Prompt Engineering
  1. Topics
  2. 5.1 Input/Output Validation
  3. 5.2 Batch Prompting + Prompt Chaining
  4. 5.3 Chain-of-Thought Prompting
  5. 5.4 Preventing Prompt Injection Attacks
  6. 5.5 Assessing an LLM’s Encoded Knowledge Level
• Lesson 6: Customizing Embeddings + Model Architectures
  1. Topics
  2. 6.1 Case Study—Building an Anime Recommendation System
  3. 6.2 Using OpenAI’s Embedding Models
  4. 6.3 Fine-Tuning an Embedding Model to Capture User Behavior
• Module 3: Advanced LLM Usage
  1. Module Introduction
• Lesson 7: Moving Beyond Foundation Models
  1. Topics
  2. 7.1 The Vision Transformer
  3. 7.2 Using Cross Attention to Mix Data Modalities
  4. 7.3 Case Study—Visual QA: Setting Up Our Model
  5. 7.4 Case Study—Visual QA: Setting Up Our Parameters and Data
  6. 7.5 Introduction to Reinforcement Learning from Feedback
  7. 7.6 Aligning FLAN-T5 with Reinforcement Learning from Feedback
• Lesson 8: Advanced Open-source LLM Fine-Tuning
  1. Topics
  2. 8.1 BERT for Multi-label Classification–Part 1
  3. 8.2 BERT for Multi-label Classification–Part 2
  4. 8.3 Writing LaTeX with GPT-2
  5. 8.4 Case Study: Sinan’s Attempt at Wise Yet Engaging Responses – SAWYER
  6. 8.5 Instruction Alignment of LLMs: Supervised Fine-Tuning
  7. 8.6 Instruction Alignment of LLMs: Reward Modeling
  8. 8.7 Instruction Alignment of LLMs: RLHF
  9. 8.8 Instruction Alignment of LLMs: Using Our Instruction Aligned LLM
• Lesson 9: Moving LLMs into Production
  1. Topics
  2. 9.1 Cost Projecting and Deploying LLMs to Production
  3. 9.2 Knowledge Distillation
• Summary
  1. Quick Guide to Large Language Models: Summary

پیشنیاز های دوره

• Python 3 proficiency with some experience working in interactive Python environments including Notebooks (Jupyter/Google Colab/Kaggle Kernels)
• Comfortable using the Pandas library and either Tensorflow or PyTorch
• Understanding of ML/deep learning fundamentals including train/test splits, loss/cost functions, and gradient descent

تصاویر دوره Quick Guide to ChatGPT Embeddings and Other Large Language Models (LLMs)

نمونه فیلم دوره

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 869 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

2.86 گیگابایت