Créer des couches et des modèles personnalisés dans Keras et intégrer Keras à TensorFlow 2.x

Développer des réseaux neuronaux convolutifs (CNN) avancés à l'aide de Keras

Modélisation des Transformateurs pour les données séquentielles et la prédiction des séries chronologiques

Expliquer les concepts clés de l'Apprentissage non supervisé dans Keras, des réseaux Q profonds (DQN) et de l'apprentissage par renforcement

Des compétences en PyTorch prêtes à l'emploi dont les employeurs ont besoin en seulement 6 semaines

Comment mettre en œuvre et entraîner des modèles de régression linéaire à partir de zéro en utilisant les fonctionnalités de PyTorch

Concepts clés de la régression logistique et comment les appliquer aux problèmes de classification

Comment traiter les données et former les modèles en utilisant la Descente de gradient pour l'optimisation.

Concepts clés de la régression Softmax et compréhension de son application dans les problèmes de classification multi-classes.

Comment développer et entraîner des réseaux de neurones peu profonds avec différentes architectures.

Concepts clés des réseaux de neurones profonds, y compris des techniques telles que l'abandon, l'initialisation des poids et la normalisation des lots.

Comment développer des réseaux neuronaux convolutifs, appliquer des couches et des fonctions d'activation.

Construisez un modèle d'apprentissage profond pour résoudre un problème réel.

Exécutez le processus de création d'un pipeline d'apprentissage profond.

Appliquez vos connaissances en matière d'apprentissage profond pour améliorer les modèles à l'aide de données réelles.

Démontrer la capacité à présenter et à communiquer les résultats des projets d'apprentissage en profondeur.

Faire la différence entre les architectures et les modèles génératifs de l'IA, tels que les RNN, les transformateurs, les VAE, les GAN et les modèles de diffusion.

Décrire comment les serveurs d'authentification, tels que GPT, BERT, BART et T5, sont utilisés dans le traitement des langues.

Mettre en œuvre la tokénisation pour prétraiter les données textuelles brutes à l'aide de bibliothèques NLP telles que NLTK, spaCy, BertTokenizer et XLNetTokenizer.

Créer un chargeur de données NLP en cours d'utilisation PyTorch pour effectuer la tokenisation, la numérisation et le padding de données textuelles.

Expliquer comment utiliser l'encodage one-hot, les sacs de mots, l'encastrement et les sacs d'encastrement pour convertir les mots en caractéristiques.

Construire et utiliser des modèles word2vec pour l'intégration contextuelle.

Construire et entraîner un modèle de langage simple avec un réseau neurones.

Utiliser les modèles N-gram et séquence à séquence pour la classification de documents, l'analyse de textes et la transformation de séquences.

Expliquer le concept des mécanismes d'attention dans les transformateurs, y compris leur rôle dans la capture des informations contextuelles.

Décrire la modélisation du langage avec le GPT basé sur le décodeur et le BERT basé sur le codeur.

Mettre en œuvre le codage positionnel, le masquage, le mécanisme d'attention, la classification des documents et créer des LLM comme GPT et BERT.

Utilisez des modèles basés sur des transformateurs et des fonctions PyTorch pour la classification de textes, la traduction de langues et la modélisation.

Compétences prêtes à l'emploi recherchées dont les entreprises ont besoin pour travailler avec des LLM à base de transformateurs pour l'ingénierie de l'IA générative... en seulement 1 semaine.

Comment effectuer un réglage fin efficace des paramètres (PEFT) à l'aide de LoRA et QLoRA

Comment utiliser des transformateurs préformés pour des tâches linguistiques et les adapter à des tâches spécifiques.

Comment charger les modèles et leurs inférences et entraîner les modèles avec Hugging Face.

Compétences en ingénierie de l'IA en demande dans les LLM de précision que les employeurs recherchent activement en seulement 2 semaines

Modélisation de l'instruction et de la récompense avec le Hugging Face, plus les LLM en tant que politiques et RLHF

Optimisation des préférences directes (DPO) avec fonction de partition et Hugging Face et comment créer une solution optimale à un problème DPO

Comment utiliser l'optimisation proximale des politiques (PPO) avec Hugging Face pour créer une fonction de notation et effectuer la tokenisation de l'ensemble des données

Compétences prêtes à l'emploi en demande dont les entreprises ont besoin pour construire des agents IA à l'aide de RAG et LangChain en seulement 8 heures.

Comment appliquer les principes fondamentaux de l'apprentissage en contexte et les méthodes avancées de l'ingénierie des requêtes pour améliorer la conception des requêtes.

Concepts clés de LangChain, outils, composants, modèles de chat, chaînes et agents.

Comment appliquer les technologies RAG, PyTorch, Hugging Face, LLMs et LangChain à différentes applications.

Acquérir une expérience pratique en construisant votre propre application d'IA du monde réel dont vous pourrez parler lors d'entretiens.

Vous apprendrez à utiliser LangChain pour charger des documents et à appliquer des techniques de découpage de texte avec RAG et LangChain afin d'améliorer la réactivité du modèle.

Créez et configurez une base de données vectorielle pour stocker les enchâssements de documents et développez un extracteur pour récupérer les segments de documents sur la base de requêtes.

Mise en place d'une interface Gradio simple pour l'interaction avec le modèle et construction d'un robot d'assurance qualité utilisant LangChain et un LLM pour répondre à des questions à partir de documents chargés.