تکنیک های پایه‌ گذاری برای مدل‌ های زبانی بزرگ (LLMs)

یاد بگیرید چگونه توهمات را در مدل‌ های زبانی بزرگ (LLMs) شناسایی، کاهش و درک کنید. استراتژی هایی برای بهبود قابلیت اطمینان و دقت LLM کشف کنید.

آیا به دنبال یادگیری بیشتر درباره مدل‌ های زبان بزرگ (LLMs) هستید؟ به مدرس Denys Linkov بپیوندید که به بررسی توهمات، علل آنها، پیامدهایی که بر قابلیت اطمینان و کارایی LLMs می پردازد. همچنین یاد خواهید گرفت که چگونه نادرستی‌ های ساختاری و زمینه ای را کاهش دهید تا بتوانید از خروجی‌ های با کیفیت بالا و حساس به زمان اطمینان حاصل کنید. تکنیک‌ های عملی برای مقابله با توهمات، از جمله یادگیری چند شات، تنظیم دقیق مدل و الگوهایی برای راهنمایی خروجی‌ های LLM را توسعه دهید.

همچنین به موضوعات پیشرفته‌ تری مانند استدلال زنجیره‌ ای، نسل افزوده بازیابی و مسیریابی مدل برای بهبود عملکرد LLM پرداخته می‌ شود. در طول دوره، مهارت‌ های جدید خود را با چالش‌ های دنیای واقعی آزمایش کنید که تجربه عملی برای تثبیت یادگیری‌ شما فراهم می‌ کند. چه شما یک پژوهشگر AI، یک دانشمند داده یا یک علاقه‌ مند به تکنولوژی باشید که به قابلیت‌ های در حال تکامل LLMs علاقه دارید، این دوره بینش‌ های ارزشمندی را برای ناوبری آسان‌ پیچیدگی‌ های AI ارائه می‌ دهد.

این دوره با GitHub Codespaces ادغام شده است، یک محیط توسعه ابری فوری که تمام قابلیت‌ های IDE مورد علاقه‌ خود را بدون نیاز به هرگونه تنظیم محلی ارائه می‌ دهد. با GitHub Codespaces، می‌ توانید از هر دستگاهی، در هر زمانی، تمرین عملی کنید. در حالی که از ابزاری استفاده می‌ کنید که احتمالاً در محل کار با آن مواجه خواهید شد. با این دوره ویدئو "استفاده از GitHub Codespaces " را ببینید تا یاد بگیرید چگونه شروع کنید.