AccueilCoursFondamentaux des LLM avec Python

Exploiter des LLM pré-entraînés

Chapitre 2 · Découvrir les grands modèles de langage (LLM) · leçon 5 sur 36
Réservée aux abonnés — voici son début
Les grands modèles de langage peuvent réaliser différentes tâches liées au traitement du langage naturel, notamment la compréhension et la génération de texte. Compréhension du langage Les tâches de compréhension du langage comprennent plusieurs applications, telles que la classification de textes, l'analyse des opinions, le résumé automatique et les systèmes de questions-réponses. Génération de langage Deux tâches de génération linguistique peuvent être réalisées à l'aide de modèles pré-entraînés : la génération de texte et la traduction. Leur exploration permet de mieux comprendre les capacités des grands modèles de langage ainsi que leur structure interne. Génération de texte La génératio
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.

Créez votre compte gratuit

Sans carte bancaire, en trente secondes.
Continuer avec Google
ou
S'inscrire avec un e-mail
Déjà inscrit ? Se connecter
En continuant, vous acceptez les conditions d'utilisation et la politique de confidentialité. Vos données sont hébergées dans l'Union européenne.

Accès complet DATAGOZ

19 €/ mois — ou 190 € / an
  • Tous les cours publiés et les parcours métier
  • Exercices et quiz corrigés automatiquement
  • Entraînement, examen et attestation de suivi
  • Sans engagement, résiliable en ligne
Voir les formules
Cette leçon fait partie du cours

Fondamentaux des LLM avec Python

short_training5 chapitres · 36 leçons

Découvrez les fondamentaux des LLM avec Python.

  • La plateforme de formationabonnés
  • 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-entraînésvous êtes ici
  • Générer du texte avec un modèle de langageabonnés
  • Traduire du texte avec un LLMabonnés
  • Découvrir l’architecture Transformerabonnés
  • 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
  • Conclusion de la formationabonnés
Leçon suivante

Générer du texte avec un modèle de langage

Voir le programme Créer un compte pour continuer