AccueilCoursFondamentaux des LLM avec Python

Découvrir l’architecture Transformer

Chapitre 2 · Découvrir les grands modèles de langage (LLM) · leçon 8 sur 36
متاحة للمشتركين فقط — إليك بدايتها
Après avoir découvert différentes applications des grands modèles de langage, il est important de comprendre leur conception et leur architecture interne. Qu'est-ce qu'un Transformer ? Les Transformers sont des architectures de deep learning conçues pour traiter, comprendre et générer des textes similaires à ceux produits par les êtres humains. La plupart des grands modèles de langage actuels reposent sur cette architecture. Leur principal avantage est leur capacité à traiter des séquences de texte longues en parallèle, plutôt que d'analyser chaque mot successivement. Il existe trois grandes architectures de Transformers : Les modèles à encodeur seul. Les modèles à décodeur seul. Les modèles
La suite de cette leçon est réservée aux abonnés Créez votre compte gratuit pour tester les exercices d’exemple, puis passez à l'accès complet quand vous le souhaitez.

أنشئ حسابك المجاني

بدون بطاقة بنكية، في ثلاثين ثانية.
المتابعة باستخدام Google
أو
التسجيل بالبريد الإلكتروني
لديك حساب بالفعل؟ تسجيل الدخول
بمتابعتك، فإنك توافق على شروط الاستخدام وسياسة الخصوصية. تُستضاف بياناتك داخل الاتحاد الأوروبي.

الوصول الكامل إلى DATAGOZ

19 €/ شهريًا — أو 190 € / سنويًا
  • جميع الدورات المنشورة والمسارات المهنية
  • تمارين واختبارات قصيرة مصحَّحة تلقائيًا
  • تدريب وامتحان وشهادة متابعة
  • بدون التزام، ويمكن الإلغاء عبر الإنترنت
عرض الصيغ
هذا الدرس جزء من الدورة

Fondamentaux des LLM avec Python

short_training5 chapitres · 36 leçons

Découvrez les fondamentaux des LLM avec Python.

  • منصة التدريبمشتركون
  • Introduction aux grands modèles de langage (LLM)abonnés
  • Mettre en place un pipeline de synthèse de texteabonnés
  • Nettoyer et améliorer les réponses généréesabonnés
  • Exploiter des LLM pré-entraînésabonnés
  • Générer du texte avec un modèle de langageabonnés
  • Traduire du texte avec un LLMabonnés
  • Découvrir l’architecture Transformervous êtes ici
  • Identifier les composants d’un Transformerabonnés
  • Choisir une architecture de modèle adaptéeabonnés
  • Préparer un modèle pour son affinageabonnés
  • Comprendre et appliquer la tokenisation du texteabonnés
  • Visualiser le processus de tokenisationabonnés
  • Adapter un LLM grâce à l’entraînementabonnés
  • Définir les paramètres d’entraînementabonnés
  • Configurer les paramètres du processus d’entraînementabonnés
  • Exploiter un modèle après son affinageabonnés
  • Découvrir les différentes méthodes d’affinageabonnés
  • Appliquer l’apprentissage par transfert avec la méthode one-shotabonnés
  • Comparer les approches d’apprentissage par transfertabonnés
  • Découvrir les outils d’évaluation des LLMabonnés
  • Charger des métriques d’évaluation avec Pythonabonnés
  • Comprendre les principaux indicateurs de performanceabonnés
  • Appliquer les métriques pour mesurer les résultatsabonnés
  • Évaluer les tâches linguistiques avec la perplexité et BLEUabonnés
  • Mesurer la perplexité des modèles de langageabonnés
  • Évaluer la qualité des traductions avec BLEUabonnés
  • Découvrir les métriques ROUGE, METEOR et Exact Matchabonnés
  • Mesurer la qualité des textes générés avec ROUGEabonnés
  • Évaluer les résultats avec la métrique METEORabonnés
  • Vérifier l’exactitude des réponses avec Exact Matchabonnés
  • Renforcer la sécurité des LLMabonnés
  • Détecter les contenus toxiques générésabonnés
  • Évaluer la pertinence et la qualité des réponsesabonnés
  • Faire le bilan des compétences acquisesabonnés
  • خاتمة الدورة التدريبيةمشترِكون
الدرس التالي

Identifier les composants d’un Transformer

عرض البرنامج أنشئ حسابًا للمتابعة