生成式人工智能和 LLM：架构和数据准备

生成式人工智能和 LLM：架构和数据准备

本课程是多个项目的一部分。

位教师：Joseph Santarcangelo

访问权限由 New York State Department of Labor 提供

50,310 人已注册

2个模块

深入了解一个主题并学习基础知识。

418 条评论

中级等级

推荐体验

灵活的计划

6 小时完成

自行安排学习进度

95%

大多数学生喜欢此课程

2个模块

深入了解一个主题并学习基础知识。

418 条评论

中级等级

推荐体验

灵活的计划

6 小时完成

自行安排学习进度

95%

大多数学生喜欢此课程

您将学到什么

区分生成式 AI 架构和模型，如 RNN、Transformer、VAE、GAN 和扩散模型
说明 GPT、BERT、BART 和 T5 等 LLM 如何应用于自然语言处理任务中
使用 NLP 库（如 NLTK、spaCy、BertTokenizer 和 XLNetTokenizer）实施 tokenization，对原始文本进行预处理
在 PyTorch 中创建一个 NLP 数据加载器，处理文本数据集的 tokenization、数值化和填充问题

您将获得的技能

您将学习的工具

要了解的详细信息

可分享的证书

添加到您的领英档案

作业

4 项作业

授课语言：英语（English）

了解顶级公司的员工如何掌握热门技能

了解关于 Coursera for Business 的更多信息

Petrobras, TATA, Danone, Capgemini, P&G 和 L'Oreal 的徽标

积累特定领域的专业知识

此课程作为的一部分提供

在注册此课程时，您还需要选择一个特定的合作项目。

向行业专家学习新概念
获得对主题或工具的基础理解
通过实践项目培养工作相关技能
获得可共享的职业证书

该课程共有2个模块

准备好探索令人兴奋的生成式 AI 和 Large Language Model (LLMs) 世界了吗？本 IBM 课程是 "生成式 AI 工程基础与 LLMs 专业证书 "的一部分，将为您提供利用 AI 改造各行业的实用技能。

本课程专为数据科学家、ML 工程师和 AI 爱好者设计，您将学习如何区分各种生成式 AI 架构和模型，如递归神经网络 (RNN)、Transformationer、生成对抗网络 (GAN)、变异自动编码器 (VAE) 和扩散模型。您还将发现生成预训练变换器（GPT）和变换器双向编码器表示（BERT）等 LLM 如何为实际语言任务提供支持。使用 NLTK、spaCy 和 Hugging Face 亲手实践 tokenization 技术，并使用 PyTorch 数据加载器构建高效的数据管道，为训练模型做好准备。对 Python、PyTorch 的基本了解以及对机器学习和神经网络的熟悉程度会有所帮助，但并非必须。立即报名，准备开启您的 AI 生成之旅！

在本 Modulation 中，您将了解生成式 AI 的意义，以及它如何通过内容生成、代码创建和图像合成改变各个领域。您将探索关键的生成式 AI 架构，如生成对抗网络（GAN）、变异自动编码器（VAE）、扩散模型和 Transformer，并了解它们训练方法的不同之处。您还将考察生成预训练变换器（GPT）和变换器双向编码器表示（BERT）等大型语言模型（LLM）如何应用于构建基于 NLP 的应用程序。最后，通过动手实验室，您将使用 Hugging Face transformers 库创建一个简单的聊天机器人，并了解用于生成式 AI 开发的基本工具和库。

涵盖的内容

5个视频3篇阅读材料2个作业1个应用程序项目3个插件

5个视频总计28分钟

具有法学硕士学位的 AI 工程概述6分钟
课程介绍3分钟
生成式 AI 的意义6分钟
生成式 AI 架构和模型6分钟
用于 NLP 的生成式 AI7分钟

3篇阅读材料总计15分钟

IBM 产品聚焦：watsonx.governance2分钟
课程概览10分钟
摘要和要点3分钟

2个作业总计25分钟

练习测验：生成式人工智能概述与架构10分钟
分级测验：生成式 AI 架构15分钟

1个应用程序项目总计60分钟

实验室探索生成式 AI 库60分钟

3个插件总计32分钟

完成课程的有用提示2分钟
阅读AI 幻觉基础知识10分钟
阅读图书馆和工具概述20分钟

在本 Module 中，您将学习如何通过实现标记化和构建数据加载器，为训练 Large Language Model (LLM) 准备数据。您将探索不同的标记化方法，了解标记化器如何将原始文本转换为模型就绪的输入。您将使用 NLTK、spaCy、BertTokenizer 和 XLNetTokenizer 等库实现 tokenization。此外，您还将学习数据加载器在训练管道中的作用，并使用 PyTorch 中的 DataLoader 类创建一个带有自定义整理函数的数据加载器，以处理成批的文本。这些实用技能对于为 LLM 培训建立高效的 NLP 管道至关重要。此外，小抄和词汇表等辅助材料将强化您的学习。