Generative AI with Large Language Models (LLMs)

了解机器学习概念，例如监督学习和无监督学习、损失函数和数据拆分 具有 Python 编程和数据操作的经验 神经网络和自然语言处理的基础知识

观众

开发 人员 机器学习爱好者

生成式 AI 是一种可以创建文本、图像、音乐和代码等原创内容的 AI。大型语言模型 （LLM） 是强大的神经网络，可以处理和生成自然语言。 

这种以讲师为主导的现场培训（现场或远程）面向希望学习如何将生成式AI与LLM用于各种任务和领域的中级开发人员。

在培训结束时，参与者将能够：

• 解释什么是生成式 AI 及其工作原理。
• 描述支持 LLM 的 transformer 架构。
• 使用经验缩放定律针对不同的任务和约束优化 LLM。
• 应用最先进的工具和方法来训练、微调和部署 LLM。
• 讨论生成式人工智能给社会和企业带来的机遇和风险。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在现场实验室环境中动手实施。

课程自定义选项

• 如需申请本课程的定制培训，请联系我们进行安排。

生成式 AI 简介

• 什么是生成式人工智能，为什么它很重要？
• 生成式人工智能的主要类型和技术
• 生成式 AI 的主要挑战和局限性

Transformer 架构和 LLM

• 什么是变压器，它是如何工作的？
• 变压器的主要部件及特点
• 使用 transformer 构建 LLM

缩放定律和优化

• 什么是缩放定律，为什么它们对 LLM 很重要？
• 缩放法则与模型大小、数据大小、计算预算和推理要求有何关系？
• 缩放定律如何帮助优化 LLM 的性能和效率？

训练和微调 LLM

• 从头开始培训LLM的主要步骤和挑战
• 针对特定任务微调 LLM 的优缺点
• 训练和微调 LLM 的最佳实践和工具

部署和使用 LLM

• 在生产环境中部署 LLM 的主要考虑因素和挑战
• LLM在各个领域和行业的常见用例和应用
• 将 LLM 与其他 AI 系统和平台集成

生成式人工智能的伦理与未来

• 生成式人工智能和LLM的伦理和社会影响
• 生成式 AI 和 LLM 的潜在风险和危害，例如偏见、错误信息和操纵
• 负责任和有益地使用生成式 AI 和 LLM

摘要和后续步骤