AI Tutorials

Llama Stack est un ensemble d'outils standardisés et d'API développés par Meta qui simplifient le processus de construction et de déploiement de grandes applications de modèles de langage.

Il s'agit d'un guide simple pour affiner Gemma 2 9B-It sur les conversations patient-médecin et convertir le modèle au format GGUF afin qu'il puisse être utilisé localement avec l'application Jan.

Apprenez à affiner SAM 2 de Meta AI en utilisant l'ensemble de données Chest CT Segmentation pour améliorer les performances du modèle en matière de segmentation d'images dans le cadre de l'analyse d'images médicales.

Cette technique consiste à donner à un modèle d'IA quelques exemples d'une tâche pour qu'il apprenne avant de générer une réponse, en utilisant ces exemples pour améliorer ses performances sur des tâches similaires.

Le codage à un point est une technique utilisée pour convertir des données catégorielles en un format binaire où chaque catégorie est représentée par une colonne séparée avec un 1 indiquant sa présence et des 0 pour toutes les autres catégories.

Apprenez à accéder aux modèles légers et de vision Llama 3.2 sur Kaggle, à affiner le modèle sur un jeu de données personnalisé en utilisant des GPU gratuits, à fusionner et exporter le modèle vers le Hugging Face Hub, et à convertir le modèle affiné au format GGUF afin qu'il puisse être utilisé localement avec l'application Jan.

Apprenez à créer des applications d'IA en temps réel avec l'API temps réel d'OpenAI. Ce tutoriel couvre les WebSockets, la configuration de Node.js, la messagerie texte/audio, l'appel de fonctions et le déploiement d'une démo d'assistant vocal React.

Maîtrisez le processus de formation de grands modèles de langage à l'aide de PyTorch, de la configuration initiale à la mise en œuvre finale.

Apprenez les principes fondamentaux de l'apprentissage par renforcement à l'aide de l'analogie d'un chat qui apprend à utiliser un griffoir.

Voyez comment une matrice de confusion classe les prédictions du modèle en Vrais Positifs, Faux Positifs, Vrais Négatifs et Faux Négatifs. Poursuivez votre lecture pour comprendre sa structure, ses étapes de calcul et son utilisation pour le traitement des données déséquilibrées et l'analyse des erreurs.

Dans ce tutoriel, vous apprendrez à créer un modèle de réseau neuronal dans R.

Dans ce tutoriel, vous apprendrez à mettre en œuvre des réseaux de neurones convolutifs (CNN) en Python avec Keras, et à surmonter l'overfitting avec le dropout.