感谢您发送咨询！我们的团队成员将很快与您联系。
感谢您发送预订！我们的团队成员将很快与您联系。
课程时长 21 小时
课程大纲
LLM 和生成式 AI 简介
- 探索技术和模型
- 讨论应用程序和用例
- 确定挑战和局限性
将 LLM 用于 NLU 任务
- 情绪分析
- 命名实体识别
- 关系提取
- 语义解析
将 LLM 用于 NLI 任务
- 蕴涵检测
- 矛盾检测
- 释义检测
将 LLM 用于知识图谱
- 从文本中提取事实和关系
- 推断缺失或新的事实
- 将知识图谱用于下游任务
使用 LLM 进行常识推理
- 生成合理的解释、假设和场景
- 使用常识性知识库和数据集
- 评估常识推理
使用 LLM 生成对话
- 与对话代理、聊天机器人和虚拟助手生成对话
- 管理对话
- 使用对话数据集和指标
使用 LLM 进行多模态生成
- 从文本生成图像
- 从图像生成文本
- 从文本或图像生成视频
- 从文本生成音频
- 从音频生成文本
- 从文本或图像生成 3D 模型
使用 LLM 进行元学习
- 使 LLM 适应新的领域、任务或语言
- 从小样本或零样本示例中学习
- 使用元学习和迁移学习数据集和框架
使用 LLM 进行对抗性学习
- 保护 LLM 免受恶意攻击
- 检测和减轻 LLM 中的偏差和错误
- 使用对抗性学习和鲁棒性数据集和方法
评估 LLM 和生成式 AI
- 评估内容质量和多样性
- 使用初始分数、Fréchet 初始距离和 BLEU 分数等指标
- 使用众包和调查等人工评估方法
- 使用对抗性评估方法，如图灵测试和鉴别器
将伦理原则应用于 LLM 和生成式 AI
- 确保公平和问责制
- 避免误用和滥用
- 尊重内容创作者和消费者的权利和隐私
- 促进人类和人工智能的创造力和协作
摘要和后续步骤
要求
- 了解基本的 AI 概念和术语
- 具有 Python 编程和数据分析经验
- 熟悉深度学习框架，如 TensorFlow 或 PyTorch
- 了解 LLM 的基础知识及其应用
观众
- 数据科学家
- AI 开发人员
- 人工智能爱好者
