应用生成式人工智能和自然语言处理
Applied Generative AI and Natural Language Processing
了解生成式 AI、提示工程、拥抱面模型、LLMs向量数据库、RAG、OpenAI、Claude、Llama2
学习内容
- 自然语言处理 (NLP) 介绍
- 基于 Hugging Face 模型的模型实现
- 与 OpenAI 合作
- 向量数据库
- 多模态向量数据库
- 检索增强生成 (RAG)
- 现实世界的应用和案例研究
- 实现零样本分类、文本分类、文本生成
- 模型微调
- 数据增强
- 提示工程
- 零样本提示
- 少样本提示
- 思维链 (少样本思维链,零样本思维链)
- 自一致性思维链
- 提示链
- 思维树
- 自我反馈
- 自我批评
- Claude 3
- 开源模型,例如 LLama 2, Mistral
要求
-
Python 基础知识
-
关于深度学习工作原理的基本知识
描述
加入我的自然语言处理 (NLP) 综合课程。该课程专为初学者和经验丰富的专业人士设计。本课程是您释放 NLP 和生成式 AI 在解决现实世界挑战方面的巨大潜力的门户。它涵盖了广泛的不同主题,并带您快速实施 NLP 解决方案。
课程亮点:
-
NLP-简介
-
深入了解管理自然语言处理及其应用的基本原则。
-
NLP基础
-
单词嵌入
-
变形金刚
-
-
将 Huggingface 应用于预训练网络
-
了解 Huggingface 模型以及如何将它们应用于您的需求
-
-
模型微调
-
有时预训练的网络是不够的,因此您需要在特定任务和/或数据集上微调现有模型。在本节中,您将学习如何操作。
-
-
矢量数据库
-
矢量数据库使从文本中查询信息变得简单。您将了解它们的工作原理以及如何实现向量数据库。
-
代币化
-
使用 ChromaDB 实现 Vector DB
-
多模态矢量数据库
-
-
OpenAI API
-
OpenAI 和 ChatGPT 为 NLP 提供了一个非常强大的工具。您将学习如何通过 Python 使用它并将其集成到您的工作流程中。
-
-
提示工程
-
学习创建高效提示的策略
-
-
高级提示工程
-
少镜头提示
-
思维链
-
自洽思维链
-
提示链接
-
反射
-
思想树
-
自我反馈
-
自我批判
-
-
检索增强生成
-
RAG理论
-
实施 RAG
-
-
顶点项目“聊天机器人”
-
创建一个聊天机器人来“聊天”PDF文档
-
为聊天机器人创建 Web 应用程序
-
-
开源 LLMs
-
了解如何使用开源LLMs
-
Meta Llama 2(梅塔骆驼2号酒店)
-
米斯特拉尔 米斯特拉尔
-
-
数据增强
-
NLP数据增强的理论与方法
-
数据增强的实施
-
-
其他
-
克劳德 3
-
工具和LLM功能
-
本课程适合谁:
- 想要应用 NLP 模型的开发人员
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
评论(0)