Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Nederlandstalige editie

Fine-tuning van OpenAI-modellen

Bereid uw gegevens voor, train, evalueer en implementeer een fine-getuned model voor uw bedrijfsdomein. Opmerking: de selfservice fine-tuning van OpenAI wordt geleidelijk afgesloten (geen nieuwe taken geaccepteerd na 6 januari 2027).

16 lessen ca. 1 u 45 min Gevorderd

Wat u leert

  • Bepalen of fine-tuning gerechtvaardigd is in vergelijking met prompting of documentophaling
  • Een trainingsdataset voorbereiden in conversatie-JSONL-formaat, gereinigd en gevalideerd
  • Training starten via de API en epochs, leersnelheid en batchgrootte aanpassen
  • Een fine-getuned model evalueren tegen het basismodel met behulp van A/B-tests en bedrijfsmetrieken
  • Een fine-getuned model implementeren, versiebeheer toepassen en een vorige versie herstellen terwijl de kosten onder controle worden gehouden

Cursusoverzicht

Voor wie
Ontwikkelaars, engineers en integrators die ChatGPT via API in hun toepassingen willen benutten.
Vereisten
Bewezen ervaring in applicatieontwikkeling en implementatie naar productie.
Duur
1 u 45 min — 16 lessen
Modaliteiten
100% online zelfgestuurd cursus, 24/7 toegankelijk via een browser. De voortgang wordt opgeslagen, u kunt op elk moment hervatten. Geschatte duur: 1 u 45 min.
Toetsing
Zelfevaluatie op basis van de kernpunten die elke les afsluiten, en directe praktijk van de voorbeelden op uw eigen casussen. Een eindquiz van 5 vragen met antwoorden aan het einde van de laatste les valideert de verworven kennis.
Toegankelijkheid
Zelfgestuurde cursus toegankelijk voor personen met een handicap: tekstinhoud compatibel met schermlezers, toetsenbordnavigatie en conforme contrasten. Voor eventuele aanpassingsbehoeften, e-mail naar [email protected].
Prijs
Gratis

Inhoud van de cursus

  1. 01 Wanneer en waarom u een model moet fine-tunen
  2. 02 Uw trainingsdata voorbereiden
  3. 03 Data-indeling: JSONL-gesprekken
  4. 04 Kwaliteit van gegevens: opschonen en valideren
  5. 05 Fine-tuning starten via de API
  6. 06 Hyperparameters: Epochs, Learning Rate, Batch Size
  7. 07 Monitoring van de training
  8. 08 DPO (Direct Preference Optimization)
  9. 09 Fine-tuning voor function calling
  10. 10 Uw fine-getuned model evalueren
  11. 11 Vergelijken met het basismodel
  12. 12 A/B-testen en zakelijke metrics
  13. 13 Itereren: wanneer u opnieuw moet fine-tunen
  14. 14 Een fine-getuned model implementeren
  15. 15 Kosten en optimalisatie
  16. 16 Versioning en Rollback