AccueilCoursFondamentaux des LLM avec Python

Traduire du texte avec un LLM

Chapitre 2 · Découvrir les grands modèles de langage (LLM) · leçon 7 sur 36
Réservée aux abonnés — voici son début
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-entraînésabonnés
  • Générer du texte avec un modèle de langageabonnés
  • Traduire du texte avec un LLMvous êtes ici
  • 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

Découvrir l’architecture Transformer

Voir le programme Créer un compte pour continuer