Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Latvijas izdevums

OpenAI modeļu smalkā noregulēšana

Sagatavojiet savus datus, apmāciet, novērtējiet un izvietoiet smalki noregulētu modeli savam biznesa domēnam. Piezīme: OpenAI pašapkalpošanās smalkā noregulēšana pakāpeniski tiek slēgta (jauni uzdevumi netiks pieņemti pēc 2027. gada 6. janvāra).

16 nodarbību ca. 1 h 45 min Augstākais

Ko jūs apgūsiet

  • Noteikt, vai smalkā noregulēšana ir attaisnota, salīdzinot ar uzdevumu formulēšanu vai dokumentu izgūšanu
  • Sagatavot apmācības datu kopu sarunu JSONL formātā, attīrītu un validētu
  • Uzsākt apmācību, izmantojot API, un pielāgot epochas, mācīšanās ātrumu un kopas lielumu
  • Novērtēt smalki noregulētu modeli, salīdzinot to ar bāzes modeli, izmantojot A/B testus un biznesa metrikas
  • Izvietot, veidot versijas un atjaunot iepriekšēju smalki noregulēta modeļa versiju, vienlaikus kontrolējot izmaksas

Kursa kartīte

Kam paredzēts
Izstrādātāji, inženieri un integratori, kas vēlas izmantot ChatGPT, izmantojot API, savās lietotnēs.
Priekšnosacījumi
Pierādīta pieredze lietotņu izstrādē un izvietošanā produkcijā.
Ilgums
1 h 45 min — 16 nodarbību
Formāti
100% tiešsaistes pašmācību kurss, pieejams 24/7 no pārlūkprogrammas. Progress tiek saglabāts, atsākiet jebkurā laikā. Paredzamais ilgums: 1 h 45 min.
Novērtējums
Pašnovērtējums, balstīts uz galvenajiem secinājumiem, kas noslēdz katru nodarbību, un piemēru tieša praktizēšana ar jūsu pašu piemēriem. Noslēguma tests ar 5 jautājumiem, kuru atbildes sniegtas pēdējās nodarbības beigās, apstiprina iegūtās zināšanas.
Pieejamība
Pašmācību kurss, kas pieejams personām ar invaliditāti: teksta saturs saderīgs ar ekrāna lasītājiem, navigācija ar tastatūru un atbilstoši kontrasti. Jebkuru pielāgošanas vajadzību gadījumā rakstiet uz [email protected].
Cena
Gratis

Kursa saturs

  1. 01 Kad un kāpēc pielāgot modeli
  2. 02 Sagatavo savu apmācības datus
  3. 03 Datņu formāts: JSONL sarunas
  4. 04 Datu kvalitāte: tīrīšana un validācija
  5. 05 Palaiž smalko noregulēšanu, izmantojot API
  6. 06 Hiperparametri: epohas, mācīšanās temps, kopas lielums
  7. 07 Apmācības uzraudzība
  8. 08 DPO (Direct Preference Optimization)
  9. 09 Smalkā noregulēšana funkciju izsaukšanai
  10. 10 Novērtē savu smalki noregulēto modeli
  11. 11 Salīdzināšana ar bāzes modeli
  12. 12 Testi A/B un biznesa metrikas
  13. 13 Iterācija: kad atkārtoti pielāgot modeli
  14. 14 Déploiement d'un modèle affiné
  15. 15 Izmaksas un optimizācija
  16. 16 Versionēšana un atgriešanās iepriekšējā versijā