Eğitim İçeriği

Açık Kaynaklı LLM'lerine Giriş

  • Nedir açık ağırlıklı modeller ve neden önemli?
  • LLaMA, Mistral, Qwen ve diğer topluluk modellerinin genel bakışı
  • Özel, yerel veya güvenli dağıtımlar için kullanım alanları

Ortam Kurulumu ve Araçlar

  • Transformers, Datasets ve PEFT kütüphanelerini kurma ve yapılandırma
  • Düzenleme için uygun donanım seçimi
  • Hugging Face veya diğer depolardan önceden eğitilmiş modelleri yükleme

Veri Hazırlığı ve Ön İşleme

  • Veriseti biçimleri (komut düzenlemesi, sohbet verileri, metin yalnızca)
  • Karışım ve diziyönetimi
  • Oluşturma özel verisetleri ve dataloaderları

Fine-Tuning Teknikler

  • Standart tam düzenleme karşı parametre verimli yöntemler
  • Efektif düzenlemek için LoRA ve QLoRA'yu uygulama
  • Hızlı denemeler için Trainer API'nin kullanımı

Model Değerlendirme ve Optimizasyonu

  • Üretim ve doğruluk metrikleri ile düzenlenmiş modelleri değerlendirmek
  • Aşırı uyum, genelleştirme ve doğrulama kümelerini yönetmek
  • Performans ayarlaması ipuçları ve günlüğe kaydetme

Dağıtım ve Özel Kullanım

  • Tahmin için modelleri kaydetme ve yükleme
  • Güvenli kurumsal ortamlarda düzenlenmiş modellerin dağıtımı
  • Yerel karşı bulut dağıtım stratejileri

Örnekler ve Use Caseler

  • LLaMA, Mistral ve Qwen'ın kurumsal kullanım örnekleri
  • Birçok dil ve alan özel düzenlemeyi yönetmek
  • Tartışma: Açık ve kapalı modeller arasındaki maliyetler ve faydalar

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Büyük dil modelleri (LLMs) ve bu modellerin mimarisini anlamak
  • Python ve PyTorch ile deneyim
  • Hugging Face ekosisteminin temel düzeyde bilgisi

Hedef Kitle

  • ML uygulayıcıları
  • AI geliştiricileri
 14 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Yaklaşan Etkinlikler

İlgili Kategoriler