Tutoriels sur l'IA

Python NLTK (natural language toolkit) sentiment analysis tutorial (en anglais). Apprenez à créer et à développer des analyses de sentiments à l'aide de Python. Suivez des étapes spécifiques pour extraire et analyser du texte pour le traitement du langage naturel.

Découvrez ce qu'est la classification des textes, comment elle fonctionne et quels sont les cas d'utilisation réussis. Explorez des exemples de bout en bout sur la façon de construire un pipeline de prétraitement de texte suivi d'un modèle de classification de texte en Python.

Le réglage rapide est une technique utilisée pour améliorer les performances d'un modèle linguistique pré-entraîné sans modifier l'architecture interne du modèle.

Dans ce tutoriel, vous apprendrez à travailler avec le paquet OpenAI Python pour avoir des conversations programmatiques avec le ChatGPT.

Apprenez à mettre en œuvre la recherche récursive dans les systèmes RAG en utilisant LlamaIndex pour améliorer la précision et la pertinence des informations récupérées, en particulier pour les grandes collections de documents.

Découvrez Snowflake Cortex AI et comment il peut être utilisé pour les LLM et l'apprentissage automatique.

Ce tutoriel vous présentera le concept de détection d'objets en Python à l'aide de la bibliothèque OpenCV et vous expliquera comment l'utiliser pour effectuer des tâches telles que la détection de visages.

Le réglage fin des grands modèles de langage (LLM) a révolutionné le traitement du langage naturel (NLP), offrant des capacités sans précédent dans des tâches telles que la traduction linguistique, l'analyse des sentiments et la génération de textes. Cette approche transformatrice s'appuie sur des modèles pré-entraînés tels que GPT-2, améliorant leurs performances dans des domaines spécifiques grâce à un processus de réglage fin.

Apprenez à utiliser Stable Diffusion, un modèle d'apprentissage profond open-source avancé qui génère des images de haute qualité à partir de descriptions textuelles. Ce tutoriel couvre les bases du fonctionnement du modèle et les instructions étape par étape pour exécuter Stable Diffusion en ligne et localement.

Nous affinerons Llama 3 sur un ensemble de données de conversations entre patients et médecins, afin de créer un modèle adapté au dialogue médical. Après avoir fusionné, converti et quantifié le modèle, il sera prêt pour une utilisation locale privée via l'application Jan.