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
Reserved for subscribers — here is the beginning
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
The rest of this lesson is reserved for subscribers Create your free account to try the sample exercises, then upgrade to full access whenever you like.

Create your free account

No credit card required, in thirty seconds.
Continue with Google
or
Sign up with an e-mail
Already registered? Log in
By continuing, you agree to the terms of use and the privacy policy. Your data is hosted in the European Union.

Full access DATAGOZ

19 €/ month — or 190 € / year
  • All published courses and career paths
  • Exercises and quizzes with automatic grading
  • Practice, exam and certificate of completion
  • No commitment, cancel online
See the plans
This lesson is part of the course

Fundamentals of LLMs with Python

short_training5 chapitres · 36 leçons

Discover the fundamentals of LLMs with Python.

  • The training platformsubscribers
  • 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
  • Course conclusionsubscribers
Next lesson

Mettre en place un pipeline de synthèse de texte

View the programme Create an account to continue