Name: แนวคิดของ Large Language Models (LLMs)
Rating: 4.820861462394219 (10517 reviews)

รายละเอียดคอร์ส

ค้นพบโมเดลภาษาขนาดใหญ่

ในหลักสูตรนี้ คุณจะได้เดินทางสู่โลกของ Large Language Models (LLMs) และค้นพบว่าพวกมันกำลังพลิกโฉมภูมิทัศน์ของ AI อย่างไร คุณจะได้สำรวจปัจจัยที่ผลักดันกระแส LLM ให้เติบโต เช่น การปฏิวัติของการเรียนรู้เชิงลึก ความพร้อมของข้อมูล และพลังการประมวลผล

คอร์สเชิงแนวคิดนี้จะเจาะลึก LLMs และวิธีที่มันปฏิวัติธุรกิจและชีวิตประจำวันด้วยตัวอย่างจากโลกจริง ตั้งแต่การเงินไปจนถึงการสร้างคอนเทนต์

ปลดล็อกความลับของ LLMs และวิธีการฝึกสอน

คุณจะได้เรียนรู้เกี่ยวกับองค์ประกอบพื้นฐานของ LLMs รวมถึงเทคนิคการประมวลผลภาษาธรรมชาติ กลยุทธ์การปรับแต่งโมเดล และเทคนิคการเรียนรู้ เช่น zero-shot, few-shot และ multi-shot learning เมื่อคุณก้าวหน้าไป คุณจะได้รับความเข้าใจเชิงลึกเกี่ยวกับวิธีการฝึกอบรมล้ำสมัยที่ขับเคลื่อน LLMs รวมถึงการทำนายคำถัดไป การสร้างแบบจำลองภาษาที่ปิดบัง และกลไกความสนใจ

สำรวจข้อกังวลและข้อควรพิจารณาเกี่ยวกับ LLMs

คุณจะได้เรียนรู้ประเด็นด้านจริยธรรมและสิ่งแวดล้อมที่สำคัญในการสร้างและฝึกสอน LLMs ด้วย เช่น ข้อมูลสำหรับการฝึกสอนและข้อกังวลด้านความเป็นส่วนตัว

เมื่อคุณเรียนจบหลักสูตร คุณจะได้ค้นพบวิธีที่จะก้าวนำหน้าอยู่เสมอ ขณะที่คุณเจาะลึกงานวิจัยล่าสุดในสาขา LLM คุณจะได้สำรวจการพัฒนาในอนาคตที่มุ่งเน้นไปที่การอธิบายโมเดล การจัดการอคติแบบไม่มีผู้สอน ประสิทธิภาพเชิงคำนวณ และความคิดสร้างสรรค์ที่เพิ่มขึ้น

เมื่อจบหลักสูตรนี้ คุณจะมีความเข้าใจอย่างครอบคลุมเกี่ยวกับ LLMs ความสามารถ การประยุกต์ใช้ และความท้าทายที่น่าสนใจของพวกมัน

ข้อกำหนดเบื้องต้น

Understanding Machine Learning

หลักสูตร

โครงร่างคอร์ส

บทนำสู่ Large Language Models (LLM)

วงการ AI กำลังพัฒนาอย่างรวดเร็ว และ Large Language Models (LLMs) อยู่แถวหน้าของการเปลี่ยนแปลงนี้ บทนี้จะพาสำรวจว่า LLMs ขับเคลื่อนการพัฒนา AI ที่เลียนแบบความสามารถของมนุษย์อย่างไร และเปลี่ยนแปลงอุตสาหกรรมต่าง ๆ ผ่านการประยุกต์ใช้ที่หลากหลาย พร้อมทำความเข้าใจความท้าทายและความซับซ้อนของการสร้างโมเดลภาษา

เริ่มบท

ส่วนประกอบพื้นฐานของ LLMs

บทนี้เน้นความแปลกใหม่ของ LLMs และความสามารถที่โผล่พ้นขึ้นมาโดยไม่ได้ตั้งใจ (emergent capabilities) พร้อมแนะนำเทคนิค NLP หลากหลายรูปแบบสำหรับการเตรียมข้อมูล คุณจะได้เรียนรู้ความท้าทายในการฝึก LLMs และวิธีที่การ fine-tuning ช่วยแก้ปัญหาเหล่านั้นได้อย่างมีประสิทธิภาพ รวมถึงทำความเข้าใจว่าเทคนิค N-shot learning ช่วยให้โมเดลที่ผ่านการฝึกมาแล้วปรับตัวได้อย่างมีประสิทธิภาพในสถานการณ์ที่มีข้อมูลที่มีป้ายกำกับจำกัดได้อย่างไร

เริ่มบท

วิธีการและเทคนิคการฝึกโมเดล

บทนี้จะอธิบายส่วนประกอบพื้นฐานของการฝึก LLM เช่น เทคนิค pre-training พร้อมทั้งช่วยให้เข้าใจแนวคิดที่ซับซ้อน อย่าง transformer architecture รวมถึง attention mechanism อย่างกระจ่าง นอกจากนี้ยังครอบคลุมเทคนิค fine-tuning ขั้นสูง และสรุปกระบวนการฝึกโมเดลทั้งหมดเพื่อให้ LLM สมบูรณ์

เริ่มบท

ข้อกังวลและสิ่งที่ต้องพิจารณา

ในบทนี้จะเจาะลึกประเด็นสำคัญที่ต้องคำนึงถึงในการฝึก LLMs ไม่ว่าจะเป็นความพร้อมของข้อมูลขนาดใหญ่ คุณภาพข้อมูล การติดป้ายกำกับที่แม่นยำ และผลกระทบของข้อมูลที่มีความลำเอียง นอกจากนี้ยังตรวจสอบความเสี่ยงต่าง ๆ ของ LLMs เช่น ความเป็นส่วนตัวของข้อมูล ข้อกังวลด้านจริยธรรม และผลกระทบต่อสิ่งแวดล้อม และสรุปด้วยการอภิปรายเกี่ยวกับงานวิจัยที่กำลังเกิดขึ้นและทิศทางที่เปลี่ยนแปลงไปของ LLMs