在当今快速发展的科技环境中,人工智能(AI)和大型语言模型(LLMs)正迅速改变着我们的工作和生活方式。无论是自动化客户支持、智能内容生成,还是数据分析,LLMs的应用无处不在。然而,掌握这些强大工具的使用和开发并非易事。本文将深入探讨一门名为“掌握生成式AI和大型语言模型”的课程,帮助您了解如何设计和实现基于LLM的解决方案,以及在这一领域的最新技术和工具。

课程概述

这门课程由行业资深人士Ed Donner主讲,时长达7小时26分钟,包含实用的项目和案例研究,旨在帮助学员在AI领域加速职业发展。课程内容涵盖了从基本理论到实际应用的各个方面,适合不同水平的学习者。

课程时长:7.5小时 1920X1080 mp4 语言:英语

学习目标

通过这门课程,您将能够:

  1. 设计和开发完整的解决方案:针对特定的商业问题,选择、训练和应用LLMs。
  2. 比较和对比最新技术:了解如何通过RAG(检索增强生成)、微调和智能工作流等技术提高LLM解决方案的性能。
  3. 评估前沿和开源LLMs:掌握前10名和开源LLMs,能够根据任务选择最佳模型。
  4. 应用领先的开源平台和工具:使用Hugging Face、Gradio和Weights & Biases等工具解决问题。
  5. 理解AI范式:识别最适合的商业问题类型及其对应的AI解决方案。
  6. 掌握深度学习基本概念:了解训练与推理、泛化与过拟合等关键概念。
  7. 深入理解LLMs的工作原理:能够训练、测试LLMs,并应用于新场景,诊断和修复常见问题。
  8. 使用Python实现LLM解决方案:通过API和直接推理实现前沿和开源模型的应用。
  9. 执行代码编写文档、回答问题和生成图像

课程要求

为了顺利完成课程,学员需具备Python基础知识。课程不涉及Python基础内容,所有实践均在Python环境中进行。

课程内容

1. 生成式AI产品开发

在课程的第一部分,学员将学习如何使用最前沿的模型和框架构建先进的生成式AI产品。通过实验超过20种突破性AI模型,学员将掌握如何利用这些工具解决实际问题。

2. 前沿技术应用

课程深入探讨了多种先进技术,包括:

  • RAG(检索增强生成):如何将外部知识库与生成模型结合,提高生成内容的准确性和相关性。
  • QLoRA微调:在不损失模型性能的情况下,如何有效地微调大型模型以适应特定任务。
  • 智能工作流:创建能够自主学习和优化的AI代理,提升工作效率。

3. 实际案例分析

课程将通过多个实际案例展示LLMs的应用,包括:

  • 多模态客户支持助手:能够处理文本、声音和图像的交互。
  • AI知识工作者:能够根据公司共享驱动器的信息回答任何问题。
  • AI程序员:优化软件性能,达到超过60,000倍的性能提升。
  • 电子商务应用:准确预测未见产品的价格。

4. 从推理到训练的转变

学员将学习如何从模型推理过渡到模型训练,包括对前沿和开源模型的微调和部署。课程强调实践操作,确保学员能够将所学知识应用于实际项目中。

5. 部署AI产品

最后,学员将学习如何将AI产品部署到生产环境中,创建精美的用户界面和高级功能,确保产品的可用性和用户体验。

教学方法

Ed Donner采用“实践为主”的教学方法,通过实际操作和项目驱动的学习,确保学员能够在真实环境中应用所学知识。课程提供逐步指导、实用练习、备忘单及丰富的资源,旨在帮助所有学习者掌握LLM工程的关键技能。Llm Engineering: Master Ai & Large Language Models (Llms)

掌握生成式AI和大型语言模型的课程为希望在AI领域取得突破的学习者提供了宝贵的机会。通过系统的学习和实践,您将能够设计和实现高效的AI解决方案,推动业务创新和效率提升。无论您是AI新手还是希望深入了解LLM技术的专业人士,这门课程都将为您提供必要的知识和技能,助您在快速发展的AI领域中占据领先地位。

如果您准备好迎接这一挑战,加入我们,开启您的LLM工程之旅吧!

课程目录:

第1节:第1周-构建你的第一个LLM产品:探索前沿模型和变压器

讲座1第1天-掌握法学硕士工程:从基础到在8周内超越GPT-4

第2讲第1天-生成性人工智能入门:LLM项目设置的第一步

第3讲第1天-使用OpenAI GPT-4构建网页摘要生成器:即时满足

第4讲第1天-掌握OpenAI API:为生成型人工智能的前沿模型编写代码

第5讲第2天-生成性人工智能课程结构:8周到LLM掌握

第6讲第2天-探索前沿LLMs:ChatGPT、Claude、Gemini等

第7讲第3天-前沿LLMs:探索顶级AI模型的优缺点

第8讲第3天-ChatGPT与其他LLM:优势、劣势和互补模型

第9讲第3天-Claude AI:探索前沿模型的能力和局限性

第10讲第3天-将Gemini AI与其他前沿模型进行比较:优势和局限性

第11讲第3天-比较前沿LLMs:Command-R Plus、元AI和困惑AI模型

第12讲第3天-比较顶级AI模型:GPT-4、克劳德和双子座在领导力之战中的表现

第13讲第4天-人工智能领导力之战:分析GPT-4、第3条和双子座-1.5投球

第14讲第4天-人工智能的突破:变压器模型和新兴智能

第15讲第4天-LLMs中的标记化:GPT如何处理自然语言任务的文本

第16讲第4天-理解上下文窗口:最大限度地提高LLM性能和内存

第17讲第5天-使用OpenAI为商业应用程序实现一次性提示

第18讲第5天-如何在Python中使用GPT-4生成JSON:AI驱动的Web抓取

第19讲第5天-利用Generative AI和OpenAI的API构建完整的业务解决方案

第20讲第5天-扩展Gen AI:多镜头提示和翻译技术

第2节:第2周-构建多模式聊天机器人:LLMs、Gradio UI和行动中的代理

第21讲第1天-掌握多种AI API:面向LLM工程师的OpenAI、Claude和Gemini

第22讲第1天-流式AI响应:用Python实现实时LLM输出

第23讲第1天-如何使用OpenAI和Claude API创建对抗性AI对话

第24讲第1天-人工智能工具:为开发人员探索变形金刚和前沿LLM

第25讲第2天-使用Gradio构建AI UI:LLM工程师的快速原型制作

第26讲第2天-Gradio教程:为OpenAI GPT模型创建交互式AI接口

第27讲第2天-在Gradio UI中使用GPT和Claude实现流式响应

第28讲第2天-使用Gradio构建多模型AI聊天界面:GPT与Claude

第29讲第2天-构建高级人工智能UI:从OpenAI API到Gradio的聊天界面

第30讲第3天-构建人工智能聊天机器人:为客户支持助理掌握Gradio

第31讲第3天-用OpenAI和Gradio构建一个对话式AI聊天机器人:一步一步

第32讲第3天-通过多镜头提示和上下文丰富来增强聊天机器人

第33讲第3天-掌握人工智能工具:使LLM能够在您的机器上运行代码

第34讲第4天-在LLMs中使用AI工具:增强大型语言模型能力

第35讲第4天-构建人工智能航空助理:使用OpenAI GPT-4实现工具

第36讲第4天-如何为LLMs配备自定义工具:OpenAI函数调用教程

第37讲第4天-掌握人工智能工具:使用API构建高级LLM驱动的助手

第38讲第5天-多模式人工智能助手:集成图像和声音生成

讲座39第5天-多模态人工智能:在JupyterLab中集成DALL-E 3图像生成

讲座40第5天-构建多模态AI代理:集成音频和图像工具

第41讲第5天-如何构建多模式AI助手:集成工具和代理

第3节:第3周-开源人工智能:使用HuggingFace构建自动化解决方案

第42讲第1天-拥抱面部教程:探索开源人工智能模型和数据集

第43讲第1天-探索HuggingFace中心:人工智能开发人员的模型、数据集和空间

第44讲第1天-谷歌Colab简介:用于机器学习的云Jupyter笔记本

第45讲第1天-拥抱面部与Google Colab的集成:秘密和API密钥设置

第46讲第1天-掌握谷歌Colab:用拥抱的脸运行开源人工智能模型

第47讲第2天-拥抱面部变换器:在Python中使用管道进行AI任务

第48讲第2天-拥抱面部管道:使用Transformers库简化人工智能任务

第49讲第2天-掌握HuggingFace管道:机器学习任务的高效人工智能推理

第50讲第3天——探索开源人工智能中的令牌化器:Llama、Phi-2、Qwen和Starcoder

第51讲第3天-人工智能中的标记化技术:使用LLAMA 3.1模型的自动标记器

第52讲第3天-比较Tokenizers:开源AI模型的Llama、PHI-3和QWEN2

第53讲第3天-拥抱面部标记器:为高级AI文本生成做准备

第54讲第4天-拥抱人脸模型课:对开源人工智能模型进行推理

第55讲第4天-拥抱面部变换器:用比特和字节加载和量化LLM

第56讲第4天-拥抱面部变形者:用开源AI模型生成笑话

第57讲第4天-掌握拥抱面部变换器:模型、管道和标记器

第58讲第5天-结合前沿和开源模型进行音频到文本摘要

第59讲第5天-使用拥抱脸和OpenAI生成人工智能会议纪要

第60讲第5天——构建一个综合测试数据生成器:面向商业的开源人工智能模型

发表回复

后才能评论