Bize Ulaşın

Eğitim İçeriği

Parametre-Etkenli İnce Ayar'a (PEFT) Giriş

  • Tam ince ayarın motivasyonu ve sınırlamaları
  • PEFT'e genel bakış: hedefler ve avantajlar
  • Sektördeki uygulamalar ve kullanım alanları

LoRA (Düşük Sıralı Adaptasyon)

  • LoRA'nın kavramı ve sezgisi
  • Hugging Face ve PyTorch kullanarak LoRA'nın uygulanması
  • Uygulamalı: LoRA ile bir modeli ince ayarlamak

Adaptör Ayarlama

  • Adaptör modüllerinin çalışma prensibi
  • Dönüştürücü tabanlı modellerle entegrasyon
  • Uygulamalı: Dönüştürücü bir modele Adaptör Ayarlama uygulanması

Önek Ayarlama

  • İnce ayar için yumuşak istemlerin (soft prompts) kullanımı
  • LoRA ve adaptörlerle karşılaştırıldığında güçlü ve zayıf yönleri
  • Uygulamalı: Bir LLM görevinde Önek Ayarlama

PEFT Yöntemlerinin Değerlendirilmesi ve Karşılaştırılması

  • Performans ve etkenliliği değerlendirmek için metrikler
  • Eğitim hızı, bellek kullanımı ve doğruluk arasındaki dengeler
  • Ön test deneyleri ve sonuçların yorumlanması

İnce Ayarlı Modellerin Dağıtımı

  • İnce ayarlı modellerin kaydedilmesi ve yüklenmesi
  • PEFT tabanlı modeller için dağıtım hususları
  • Uygulamalara ve veri yollarına entegrasyon

En İyi Uygulamalar ve Gelişmeler

  • PEFT'i nicelleme (quantization) ve yoğunlaştırma (distillation) ile birleştirme
  • Düşük kaynaklı ve çok dilli ortamlarda kullanımı
  • Gelecek yönleri ve aktif araştırma alanları

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Makine öğreniminin temel kavramlarına hakimiyet
  • Büyük dil modelleri (LLM'ler) ile çalışma deneyimi
  • Python ve PyTorch'a aşinalık

Hedef Kitle

  • Veri bilimciler
  • Yapay zeka mühendisleri
 14 Saatler

Katılımcı Sayısı


Katılımcı başına fiyat

Yaklaşan Etkinlikler

İlgili Kategoriler