AccueilCoursFondamentaux des LLM avec Python

Introduction aux grands modèles de langage (LLM)

Chapitre 2 · Découvrir les grands modèles de langage (LLM) · leçon 2 sur 36
Réservée aux abonnés — voici son début
Les grands modèles de langage, également appelés LLM (Large Language Models), sont au cœur de nombreuses applications d’intelligence artificielle. Ce cours permet de découvrir leur fonctionnement et d’apprendre à les utiliser avec Python pour réaliser des tâches linguistiques avancées. Connaissances préalables Avant de commencer, il est recommandé de savoir naviguer sur la plateforme Hugging Face et de posséder des connaissances sur les modèles de deep learning. Découverte des LLM L’objectif est de comprendre le fonctionnement des grands modèles de langage et d’apprendre à les exploiter pour différentes tâches de traitement du langage naturel. Grands modèles de langage Les LLM sont des modèl
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)vous êtes ici
  • 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 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

Mettre en place un pipeline de synthèse de texte

Voir le programme Créer un compte pour continuer