Tutorial AI

Ada jumlah optimal lapisan tersembunyi dan neuron untuk jaringan saraf tiruan (ANN). Tutorial ini membahas pendekatan sederhana untuk menentukan jumlah optimal lapisan dan neuron untuk ANN.

Pelajari apa itu LiteLLM dan cara menggunakannya untuk panggilan API terpadu ke berbagai penyedia LLM, mencakup penggunaan API dasar, penanganan error, fallback, streaming, output terstruktur, dan pelacakan biaya.

Pelajari cara membangun aplikasi RAG dengan Llama 3.1 8B menggunakan Ollama dan Langchain dengan menyiapkan lingkungan, memproses dokumen, membuat embedding, dan mengintegrasikan retriever.

Pelajari cara membangun aplikasi image captioning menggunakan Streamlit untuk front end, Llama 3.2 90B untuk menghasilkan caption, dan Groq sebagai API.

Dapatkan panduan langkah demi langkah untuk menyiapkan dan menjalankan Llama 3.2 1B di perangkat Android Anda menggunakan kerangka kerja Torchchat.

Pelajari langkah demi langkah menyiapkan aplikasi RAG menggunakan Llama 3.2 Vision, Ollama, dan ColPali.

Pelajari cara membangun aplikasi penjelasan kode multibahasa menggunakan Llama 3.3, Hugging Face, dan Streamlit.

Kita akan melakukan fine-tuning Llama 3 pada dataset percakapan pasien-dokter, menciptakan model yang disesuaikan untuk dialog medis. Setelah digabungkan, dikonversi, dan dikuantisasi, model akan siap untuk penggunaan lokal privat melalui aplikasi Jan.

Pelajari cara membangun pipeline retrieval-augmented generation (RAG) menggunakan Llama 4 untuk membuat aplikasi web sederhana.

Pelajari cara menerapkan dan menggunakan LLaMA 4 Scout dari Meta dengan vLLM di RunPod untuk penyelesaian teks dan inferensi multimodal.

Pelajari cara melakukan fine-tuning LLM pada dataset khusus, mengevaluasi kinerja, serta mengekspor dan menyajikan model dengan mulus menggunakan kerangka kerja low/no-code LLaMA-Factory.

Pelajari cara menggunakan model visi Llama 3.2 11B dengan Gradio untuk membuat aplikasi web multimodal yang berfungsi sebagai asisten dukungan pelanggan.