Bize Ulaşın

Eğitim İçeriği

Açık Kaynaklı LLM'lere Giriş

  • Açık ağırlıklı modeller nelerdir ve neden önemlidir?
  • LLaMA, Mistral, Qwen ve diğer topluluk modellerine genel bakış
  • Gizli, yerel sunucu veya güvenli dağıtımlar için kullanım durumları

Ortam Kurulumu ve Araçlar

  • Transformers, Datasets ve PEFT kütüphanelerinin kurulması ve yapılandırılması
  • İnce ayar için uygun donanım seçimi
  • Hugging Face veya diğer havuzlardan önceden eğitilmiş modellerin yüklenmesi

Veri Hazırlama ve Ön İşleme

  • Veri seti formatları (talimat ince ayarı, sohbet verisi, metin tabanlı)
  • Tokenizasyon ve dizi yönetimi
  • Özel veri setleri ve veri yükleyicilerin oluşturulması

İnce Ayar Teknikleri

  • Standart tam ince ayar ile parametre verimli yöntemler arasındaki farklar
  • Etkili ince ayar için LoRA ve QLoRA uygulanması
  • Hızlı denemeler için Trainer API kullanımı

Model Değerlendirme ve Optimizasyon

  • Üretim ve doğruluk metrikleri ile ince ayarlanmış modellerin değerlendirilmesi
  • Aşırı öğrenme, genelleme ve doğrulama setlerinin yönetimi
  • Performans ayarlama ipuçları ve günlük kayıtları

Dağıtım ve Gizli Kullanım

  • Tahmin için modellerin kaydedilmesi ve yüklenmesi
  • Güvenli kurumsal ortamlarda ince ayarlanmış modellerin dağıtımı
  • Yerel sunucu vs. bulut dağıtım stratejileri

Vaka Çalışmaları ve Kullanım Alanları

  • LLaMA, Mistral ve Qwen'in kurumsal kullanımlarından örnekler
  • Çok dilli ve alana özgü ince ayar süreçleri
  • Tartışma: Açık ve kapalı modeller arasındaki denge

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Büyük dil modelleri (LLM'ler) ve mimarileri hakkında anlayış
  • Python ve PyTorch ile deneyim
  • Hugging Face ekosistemine temel düzeyde aşinalık

Hedef Kitle

  • ML uygulayıcıları
  • AI geliştiricileri
 14 Saatler

Katılımcı Sayısı


Katılımcı başına fiyat

Yaklaşan Etkinlikler

İlgili Kategoriler