Struttura del corso

Introduzione alla messa a punto

  • Che cos'è la messa a punto?
  • Casi d'uso e vantaggi della messa a punto
  • Panoramica dei modelli pre-addestrati e del transfer learning

Preparazione per la messa a punto

  • Raccolta e pulizia dei set di dati
  • Informazioni sui requisiti dei dati specifici dell'attività
  • Analisi esplorativa dei dati e pre-elaborazione

Tecniche di messa a punto

  • Apprendimento di trasferimento ed estrazione di funzionalità
  • Regolazione fine dei trasformatori con Hugging Face
  • Ottimizzazione delle attività supervisionate e non supervisionate

Messa a punto Large Language Models (LLMs)

  • Adattamento degli LLM per le attività di NLP (ad esempio, classificazione del testo, riassunto)
  • Addestramento di LLM con set di dati personalizzati
  • Controllo del comportamento LLM con l'ingegneria dei prompt

Ottimizzazione e valutazione

  • Ottimizzazione degli iperparametri
  • Valutazione delle prestazioni del modello
  • Affrontare l'overfitting e l'underfitting

Ridimensionamento delle attività di ottimizzazione

  • Fine-tuning su sistemi distribuiti
  • Sfruttare le soluzioni basate sul cloud per la scalabilità
  • Casi di studio: Progetti di messa a punto su larga scala

Best practice e sfide

  • Best practice per ottimizzare il successo
  • Sfide comuni e risoluzione dei problemi
  • Considerazioni etiche nella messa a punto dei modelli di intelligenza artificiale

Argomenti avanzati (facoltativo)

  • Messa a punto di modelli multimodali
  • Apprendimento zero-shot e few-shot
  • Esplorare le tecniche LoRA (Low-Rank Adaptation)

Riepilogo e passaggi successivi

Requisiti

  • Comprensione dei fondamenti dell'apprendimento automatico
  • Esperienza con la programmazione Python
  • Familiarità con i modelli pre-addestrati e le loro applicazioni

Pubblico

  • Scienziati dei dati
  • Ingegneri dell'apprendimento automatico
  • Ricercatori di intelligenza artificiale
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative