Liên hệ với chúng tôi

Đề cương khóa học

Giới thiệu về Fine-tuning

  • Fine-tuning là gì?
  • Các trường hợp sử dụng và lợi ích của fine-tuning
  • Tổng quan về các mô hình đã huấn luyện trước và học chuyển đổi

Chuẩn bị cho Fine-tuning

  • Thu thập và làm sạch bộ dữ liệu
  • Hiểu yêu cầu dữ liệu cụ thể theo nhiệm vụ
  • Phân tích dữ liệu thăm dò và xử lý trước

Kỹ thuật Fine-tuning

  • Học chuyển đổi và trích xuất đặc trưng
  • Fine-tuning các mô hình biến đổi với Hugging Face
  • Fine-tuning cho các nhiệm vụ giám sát và không giám sát

Fine-tuning Các Mô hình Ngôn Ngữ Lớn (LLMs)

  • Thích ứng LLMs cho các nhiệm vụ NLP (ví dụ: phân loại văn bản, tóm tắt)
  • Huấn luyện LLMs với bộ dữ liệu tùy chỉnh
  • Điều khiển hành vi LLM thông qua kỹ thuật điều khiển (prompt engineering)

Tối ưu hóa và Đánh giá

  • Tinh chỉnh siêu tham số
  • Đánh giá hiệu suất mô hình
  • Giải quyết hiện tượng quá khớp (overfitting) và dưới khớp (underfitting)

Khả năng Mở rộng Hiệu suất Fine-tuning

  • Fine-tuning trên các hệ thống phân tán
  • Khai thác các giải pháp dựa trên đám mây để mở rộng
  • Nghiên cứu điển hình: Các dự án fine-tuning quy mô lớn

Thực hành Tốt và Thách thức

  • Thực hành tốt để thành công trong fine-tuning
  • Các thách thức phổ biến và cách khắc phục
  • Các cân nhắc về đạo đức trong việc fine-tuning các mô hình AI

Các Chủ đề Nâng cao (Tùy chọn)

  • Fine-tuning các mô hình đa phương thức
  • Học không có ví dụ (zero-shot) và học ít ví dụ (few-shot)
  • Khám phá các kỹ thuật LoRA (Thích ứng Bậc thấp)

Tổng kết và Các Bước Tiếp theo

Yêu cầu

  • Hiểu biết về các nguyên lý cơ bản của học máy
  • Kinh nghiệm với lập trình Python
  • Quen thuộc với các mô hình đã huấn luyện trước và các ứng dụng của chúng

Đối tượng

  • Các nhà khoa học dữ liệu
  • Kỹ sư học máy
  • Nhà nghiên cứu Trí tuệ nhân tạo (AI)
 14 Giờ

Số người tham gia


Giá cho mỗi học viên

Các khóa học sắp tới

Các danh mục liên quan