AccueilCoursFondamentaux des LLM avec Python

Exploiter des LLM pré-entraînés

Chapitre 2 · Découvrir les grands modèles de langage (LLM) · leçon 5 sur 36
Reservado a los suscriptores — aquí tienes su inicio
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
El resto de esta lección está reservado a los suscriptores Crea tu cuenta gratuita para probar los ejercicios de ejemplo y, cuando quieras, pásate al acceso completo.

Cree su cuenta gratuita

Sin tarjeta de crédito, en treinta segundos.
Continuar con Google
o
Registrarse con un correo electrónico
¿Ya tienes cuenta? Iniciar sesión
Al continuar, aceptas las condiciones de uso y la política de privacidad. Tus datos están alojados en la Unión Europea.

Acceso completo DATAGOZ

19 €/ mes — o 190 € / año
  • Todos los cursos publicados y los itinerarios profesionales
  • Ejercicios y cuestionarios corregidos automáticamente
  • Práctica, examen y certificado de seguimiento
  • Sin compromiso, cancelable en línea
Ver las fórmulas
Esta lección forma parte del curso

Fundamentos de los LLM con Python

short_training5 chapitres · 36 leçons

Descubre los fundamentos de los LLM con Python.

  • La plataforma de formaciónsuscriptores
  • 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
  • Conclusión de la formaciónsuscriptores
Lección siguiente

Générer du texte avec un modèle de langage

Ver el programa Crea una cuenta para continuar