PickAClass · الذكاء الاصطناعي، التكنولوجيا والهندسة · الذكاء الاصطناعي التوليدي والتعلم العميق

الضبط الدقيق للنماذج اللغوية

تجاوز مرحلة التلقين بتعلم كيفية الضبط الدقيق للنماذج اللغوية المدربة مسبقًا على مجموعات بيانات مخصصة. قم بتكييف نماذج مثل GPT وLlama وBERT لمجالات ومهام محددة لتحسين الأداء والدقة.

38 courses

الضبط الدقيق للنماذج اللغوية

نماذج الذكاء الاصطناعي المحلية مع Ollama: تشغيل نماذج اللغة الكبيرة على أجهزتك الخاصة

نشر نماذج اللغة الكبيرة المحلية: تشغيل الذكاء الاصطناعي مفتوح المصدر على بنية تحتية خاصة

دليل المبتدئين لضبط نماذج اللغة الكبيرة (LLM Fine-Tuning)

أساسيات تحسين LLM: الضغط و Fine-Tuning

مقدمة في LLM Fine-Tuning على بيانات النطاق

نشر LLMs المحلية: vLLM، وQuantization، وInference

أساسيات اختبار وتقييم تطبيقات LLM

مقدمة في ضبط LLM الدقيق باستخدام LoRA و QLoRA

أسس نماذج اللغات الكبيرة: من المحولات إلى ضبط الدقة

ضبط نماذج OpenAI: تخصيص نماذج اللغة الكبيرة ببياناتك الخاصة

الضبط الدقيق لنماذج Transformers و LLMs: من BERT إلى LLaMA

أساسيات الذكاء الاصطناعي التوليدي مع Hugging Face

بناء ومواءمة وضبط نماذج LLM من الصفر باستخدام PyTorch

دليل الضبط الدقيق لنماذج اللغة الكبيرة: تخصيص GPT-3.5 ونماذج الذكاء الاصطناعي ببياناتك الخاصة

الضبط الدقيق لنماذج اللغة الكبيرة للذكاء الاصطناعي التوليدي

هندسة الذكاء الاصطناعي التوليدي: ضبط المحولات

التنفيذ الاستراتيجي والضبط الدقيق لنماذج اللغة الكبيرة

تطوير نماذج LLM المخصصة: الضبط الدقيق باستخدام LoRA و QLoRA

تشغيل نماذج اللغة الكبيرة المحلية: دليل عملي

LLMs في الأعمال: الاستراتيجية، والتطبيقات، والتنفيذ

أسس نماذج اللغة الكبيرة: الضبط الدقيق (Fine-Tuning) و RAG

تأمين نماذج اللغات الكبيرة: أمن تطبيقات LLM

معمارية Transformer ونماذج اللغة الكبيرة في Azure Machine Learning

تقييم مخرجات نماذج اللغات الكبيرة (LLMs): مقدمة عملية