After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
探索大型语言模型
在本课程中，你将探索大型语言模型（LLMs）的世界，并了解它们如何重塑人工智能格局。 你将探索推动 LLM 热潮的因素，例如深度学习革命、数据可用性和计算能力。这门概念性课程将深入探讨大语言模型（LLM），以及它们如何通过真实案例彻底改变企业和日常生活，涵盖从金融到内容创作等多个领域。
揭开 LLM 和训练方法的奥秘
你将了解 LLM 的构建基础，包括自然语言处理技术、微调策略，以及零样本、少样本和多样本学习等学习技术。 随着学习的深入，你将深入了解驱动 LLM 的前沿训练方法，包括下一个词预测、掩码语言建模和注意力机制。探索 LLM 的关注点与注意事项
你还将探讨构建和训练 LLM 时的关键伦理与环境考量，例如训练数据和隐私问题。当你完成这门课程时，你将了解如何在深入研究 LLM 领域最新成果的同时保持领先。 你将探索未来的发展，重点关注模型可解释性、无监督偏差处理、计算效率以及增强创造力。
在本课程结束时，你将全面了解 LLM、它们的能力、应用以及引人入胜的挑战。
先修要求
课程大纲
课程大纲
1
大型语言模型（LLM）简介
AI 领域正快速演进，而大型语言模型（LLMs）位于这一变革的前沿。本章将探讨 LLM 如何推动类人人工智能的发展，并通过多种应用正在改变各行各业。您还将了解与语言建模相关的挑战与复杂性。
2
LLM 的构成模块
本章强调 LLM 的新颖性及其涌现能力，并概述用于数据准备的多种 NLP 技术。您将学习训练 LLM 的挑战，以及微调如何有效应对这些问题。您还将理解 N-shot 学习技术如何在标注数据有限时，让预训练模型高效适配新任务。
3
训练方法与技术
本章将介绍训练 LLM 的基础构成模块，如预训练技术。您还将直观理解诸如 transformer 架构与注意力机制等复杂概念。随后将讨论一种高级微调技术，并对完成一个 LLM 的训练流程进行总结。
4
关注点与注意事项
本章将深入探讨训练 LLM 的关键考量因素，如海量数据的可用性、数据质量、准确标注以及偏置数据的影响。您还将审视多种 LLM 风险，包括数据隐私、伦理问题与环境影响。最后，本章将讨论新兴研究方向与 LLM 不断演进的格局。
R
Large Language Models (LLMs) 概念
课程完成
