Rapid Application Development Using Large Language Models

Rapid Application Development Using Large Language ModelsRADLLMNVNvidiaNV-RADLLM1.0Durch die Teilnahme an diesem Workshop werden Sie lernen, wie man: <ul> <li>Finden Sie das HuggingFace-Modell-Repository und die zugehörige Transformers-API, ziehen Sie es ein und experimentieren Sie damit.</li><li>Verwendung von Kodiermodellen für Aufgaben wie semantische Analyse, Einbettung, Fragebeantwortung und Zero-Shot-Klassifizierung</li><li>Verwendung von Decodermodellen zur Erzeugung von Sequenzen wie Code, unbegrenzten Antworten und Gesprächen</li><li>Verwenden Sie Techniken zur Verwaltung und Zusammensetzung des Zustands, um LLMs für sichere, effektive und genaue Gespräche anzuleiten.</li></ul><ul> <li>Einführende Deep Learning-Kenntnisse, wobei Kenntnisse in PyTorch und Transfer Learning bevorzugt werden. Die Inhalte der DLI-Kurse Getting Started with Deep Learning oder Fundamentals of Deep Learning oder ähnliche Erfahrungen sind ausreichend.</li><li>Fortgeschrittene Python-Kenntnisse, einschliesslich objektorientierter Programmierung und Bibliotheken. Der Inhalt des Python-Tutorials (w3schools.com) oder ähnliche Erfahrungen sind ausreichend.</li></ul>Einführung <ul> <li>Treffen Sie den Ausbilder.</li><li>Erstellen Sie ein Konto unter courses.nvidia.com/join</li></ul>Vom Deep Learning zu grossen Sprachmodellen <ul> <li>Lernen Sie, wie grosse Sprachmodelle aufgebaut sind und wie man sie benutzt:<ul> <li>Überprüfen Sie das Deep Learning und die klassenbasierte Argumentation und sehen Sie, wie die Sprachmodellierung daraus hervorgeht.</li><li>Diskutieren Sie Transformator-Architekturen, -Schnittstellen und -Intuitionen sowie deren Skalierung und Veränderung, um moderne LLM-Lösungen zu entwickeln.</li></ul></li></ul>Spezialisierte Encoder-Modelle <ul> <li>Lernen Sie, wie Sie die verschiedenen Aufgabenspezifikationen betrachten können:<ul> <li>Entdecken Sie die modernsten HuggingFace-Drehgebermodelle.</li><li>Verwenden Sie bereits abgestimmte Modelle für interessante Aufgaben wie Token-Klassifizierung, Sequenzklassifizierung, Bereichsvorhersage und Zero-Shot-Klassifizierung.</li></ul></li></ul>Encoder-Decoder-Modelle für Seq2Seq <ul> <li>Erfahren Sie mehr über die Vorhersage von LLMs zur Vorhersage unbegrenzter Sequenzen:<ul> <li>Einführung einer Decoderkomponente für die autoregressive Texterzeugung.</li><li>Diskutieren Sie Cross-Attention für Sequenz-als-Kontext-Formulierungen.</li><li>Erörterung allgemeiner Ansätze für Multi-Tasking, Zero-Shot Reasoning.</li><li>Einführung in die multimodale Formulierung von Sequenzen und Untersuchung einiger Beispiele.</li></ul></li></ul>Decodermodelle für die Texterzeugung <ul> <li>Erfahren Sie mehr über reine Decodermodelle im GPT-Stil und wie sie spezifiziert und verwendet werden können:<ul> <li>Untersuchen Sie, wann ein reiner Decoder sinnvoll ist, und sprechen Sie über Probleme bei der Bildung.</li><li>Diskutieren Sie die Grösse des Modells, spezielle Einsatztechniken und Überlegungen.</li><li>Ziehen Sie einige grosse Textgenerierungsmodelle heran, um zu sehen, wie sie funktionieren.</li></ul></li></ul>Zustandsabhängige LLMs <ul> <li>Lernen Sie, wie man Sprachmodelle durch Kontextinjektion über stochastische Papageien erhebt:<ul> <li>Zeigen Sie moderne LLM-Kompositionstechniken für Geschichte und Zustandsverwaltung.</li><li>Erörterung der abrufgestützten Generierung (RAG) für den Zugriff auf die externe Umgebung.</li></ul></li></ul>Bewertung und Fragen und Antworten <ul> <li>Überprüfung der wichtigsten Erkenntnisse.</li><li>Nehmen Sie an einer codebasierten Prüfung teil, um ein Zertifikat zu erwerben.</li></ul>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <a class="fl-href-prod" href="/swisscom/en/course/nvidia-radllm"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a>.Durch die Teilnahme an diesem Workshop werden Sie lernen, wie man: - Finden Sie das HuggingFace-Modell-Repository und die zugehörige Transformers-API, ziehen Sie es ein und experimentieren Sie damit. - Verwendung von Kodiermodellen für Aufgaben wie semantische Analyse, Einbettung, Fragebeantwortung und Zero-Shot-Klassifizierung - Verwendung von Decodermodellen zur Erzeugung von Sequenzen wie Code, unbegrenzten Antworten und Gesprächen - Verwenden Sie Techniken zur Verwaltung und Zusammensetzung des Zustands, um LLMs für sichere, effektive und genaue Gespräche anzuleiten.- Einführende Deep Learning-Kenntnisse, wobei Kenntnisse in PyTorch und Transfer Learning bevorzugt werden. Die Inhalte der DLI-Kurse Getting Started with Deep Learning oder Fundamentals of Deep Learning oder ähnliche Erfahrungen sind ausreichend. - Fortgeschrittene Python-Kenntnisse, einschliesslich objektorientierter Programmierung und Bibliotheken. Der Inhalt des Python-Tutorials (w3schools.com) oder ähnliche Erfahrungen sind ausreichend.Einführung - Treffen Sie den Ausbilder. - Erstellen Sie ein Konto unter courses.nvidia.com/join Vom Deep Learning zu grossen Sprachmodellen - Lernen Sie, wie grosse Sprachmodelle aufgebaut sind und wie man sie benutzt: - Überprüfen Sie das Deep Learning und die klassenbasierte Argumentation und sehen Sie, wie die Sprachmodellierung daraus hervorgeht. - Diskutieren Sie Transformator-Architekturen, -Schnittstellen und -Intuitionen sowie deren Skalierung und Veränderung, um moderne LLM-Lösungen zu entwickeln. Spezialisierte Encoder-Modelle - Lernen Sie, wie Sie die verschiedenen Aufgabenspezifikationen betrachten können: - Entdecken Sie die modernsten HuggingFace-Drehgebermodelle. - Verwenden Sie bereits abgestimmte Modelle für interessante Aufgaben wie Token-Klassifizierung, Sequenzklassifizierung, Bereichsvorhersage und Zero-Shot-Klassifizierung. Encoder-Decoder-Modelle für Seq2Seq - Erfahren Sie mehr über die Vorhersage von LLMs zur Vorhersage unbegrenzter Sequenzen: - Einführung einer Decoderkomponente für die autoregressive Texterzeugung. - Diskutieren Sie Cross-Attention für Sequenz-als-Kontext-Formulierungen. - Erörterung allgemeiner Ansätze für Multi-Tasking, Zero-Shot Reasoning. - Einführung in die multimodale Formulierung von Sequenzen und Untersuchung einiger Beispiele. Decodermodelle für die Texterzeugung - Erfahren Sie mehr über reine Decodermodelle im GPT-Stil und wie sie spezifiziert und verwendet werden können: - Untersuchen Sie, wann ein reiner Decoder sinnvoll ist, und sprechen Sie über Probleme bei der Bildung. - Diskutieren Sie die Grösse des Modells, spezielle Einsatztechniken und Überlegungen. - Ziehen Sie einige grosse Textgenerierungsmodelle heran, um zu sehen, wie sie funktionieren. Zustandsabhängige LLMs - Lernen Sie, wie man Sprachmodelle durch Kontextinjektion über stochastische Papageien erhebt: - Zeigen Sie moderne LLM-Kompositionstechniken für Geschichte und Zustandsverwaltung. - Erörterung der abrufgestützten Generierung (RAG) für den Zugriff auf die externe Umgebung. Bewertung und Fragen und Antworten - Überprüfung der wichtigsten Erkenntnisse. - Nehmen Sie an einer codebasierten Prüfung teil, um ein Zertifikat zu erwerben.Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag500.00500.00500.00500.00500.00420.00995.00690.00