Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione alle sfide Fine-Tuning
- Panoramica del processo di messa a punto
- Sfide comuni nella messa a punto di modelli di grandi dimensioni
- Comprendere l'impatto della qualità dei dati e della pre-elaborazione
Affrontare gli squilibri dei dati
- Identificazione e analisi degli squilibri dei dati
- Tecniche per la gestione di set di dati sbilanciati
- Utilizzo dell'aumento dei dati e dei dati sintetici
Gestione dell'overfitting e dell'underfitting
- Capire l'overfitting e l'underfitting
- Tecniche di regolarizzazione: L1, L2 e dropout
- Regolazione della complessità del modello e della durata dell'addestramento
Miglioramento della convergenza dei modelli
- Diagnosi dei problemi di convergenza
- Scegliere il giusto tasso di apprendimento e ottimizzatore
- Implementazione di programmi di apprendimento e riscaldamento
Debug Fine-Tuning Pipeline
- Strumenti per il monitoraggio dei processi formativi
- Registrazione e visualizzazione delle metriche del modello
- Debug e risoluzione degli errori di runtime
Ottimizzazione dell'efficienza della formazione
- Strategie di accumulo delle dimensioni dei lotti e dei gradienti
- Utilizzo dell'allenamento di precisione misto
- Training distribuito per modelli su larga scala
Casi di studio sulla risoluzione dei problemi nel mondo reale
- Case study: Ottimizzazione per l'analisi del sentiment
- Case study: Risoluzione dei problemi di convergenza nella classificazione delle immagini
- Caso di studio: Affrontare l'overfitting nel riassunto del testo
Riepilogo e passaggi successivi
Requisiti
- Esperienza con framework di deep learning come PyTorch o TensorFlow
- Comprensione dei concetti di machine learning come formazione, convalida e valutazione
- Familiarità con la messa a punto di modelli pre-addestrati
Pubblico
- Scienziati dei dati
- Ingegneri dell'intelligenza artificiale
14 ore