Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução
- O que são Large Language Models (LLMs)?
- LLMs vs modelos tradicionais de PNL
- Panorâmica das caraterísticas e da arquitetura das LLMs
- Desafios e limitações das LLMs
Compreender as LLMs
- O ciclo de vida de uma LLM
- Como funcionam as LLM
- Os principais componentes de uma LLM: codificador, descodificador, atenção, embeddings, etc.
Introdução
- Configurar o ambiente de desenvolvimento
- Instalar uma LLM como ferramenta de desenvolvimento, por exemplo, Google Colab, Hugging Face
Trabalhar com LLMs
- Explorar as opções de LLM disponíveis
- Criando e usando um LLM
- Ajustar um LLM num conjunto de dados personalizado
Sumarização de texto
- Compreender a tarefa de resumo de texto e as suas aplicações
- Utilizar um LLM para resumo de texto extrativo e abstrativo
- Avaliar a qualidade dos resumos gerados usando métricas como ROUGE, BLEU, etc.
Resposta a perguntas
- Compreender a tarefa de resposta a perguntas e as suas aplicações
- Utilizar um LLM para responder a perguntas de domínio aberto e de domínio fechado
- Avaliar a exatidão das respostas geradas utilizando métricas como F1, EM, etc.
Geração de texto
- Compreender a tarefa de geração de texto e as suas aplicações
- Utilizar um LLM para a geração de texto condicional e incondicional
- Controlar o estilo, o tom e o conteúdo dos textos gerados usando parâmetros como temperatura, top-k, top-p, etc.
Integrando LLMs com outros frameworks e plataformas
- Usando LLMs com PyTorch ou TensorFlow
- Usando LLMs com Flask ou Streamlit
- Usando LLMs com Google Cloud ou AWS
Resolução de problemas
- Entendendo os erros e bugs comuns em LLMs
- Usando o TensorBoard para monitorar e visualizar o processo de treinamento
- Usando PyTorch Lightning para simplificar o código de treinamento e melhorar o desempenho
- Usando Hugging Face Datasets para carregar e pré-processar os dados
Resumo e próximos passos
Requisitos
- Conhecimento do processamento de linguagem natural e da aprendizagem profunda
- Experiência com Python e PyTorch ou TensorFlow
- Experiência básica de programação
Público-alvo
- Programadores
- Entusiastas de PNL
- Cientistas de dados
14 Horas
