Tutoriels LLM

Apprenez à construire et à publier une application mobile en utilisant Lovable AI, en l'intégrant à Supabase pour les services backend et à GitHub pour le contrôle des versions.

Dans ce tutoriel DeepSeek-R1, vous apprendrez comment construire une application de résolution de puzzle mathématique en intégrant DeepSeek-R1 avec EasyOCR et Gradio.

Apprenez à installer, configurer et exécuter DeepSeek-R1 localement avec Ollama et à construire une application RAG simple.

Apprenez à configurer le projet DeepSeek Janus-Pro, à construire votre propre image Docker et à exécuter l'application web Janus localement sur votre ordinateur portable.

Affiner le premier modèle de raisonnement en source ouverte au monde sur l'ensemble de données de la chaîne de pensée médicale afin de construire de meilleurs médecins IA pour l'avenir.

Apprenez à configurer et à faire fonctionner le moteur physique Genesis sur Google Colab, en surmontant les difficultés d'installation et en commençant à réaliser des simulations physiques.

Découvrez le Codestral 25.01 de Mistral, y compris ses capacités, ses références et la manière de le configurer dans VS Code pour l'assistance au code.

Apprenez à simplifier la création d'agents d'intelligence artificielle avec la nouvelle bibliothèque Python de Hugging Face, smolagents, et suivez un projet de démonstration pour la voir en action.

Apprenez à construire une application RAG avec Llama 3.1 8B en utilisant Ollama et Langchain en configurant l'environnement, en traitant des documents, en créant des embeddings et en intégrant un retriever.

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.

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.

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.