Décrire les concepts fondamentaux du Deep learning, des neurones et des réseaux de neurones artificiels pour résoudre des problèmes du monde réel

Expliquer les concepts et les composants de base des réseaux de neurones et les défis de la formation des réseaux profonds

Construire des modèles de deep learning pour la régression et la classification à l'aide de la bibliothèque Keras, en interprétant efficacement les mesures de performance des modèles.

Concevoir des architectures avancées, telles que les CNN, les RNN et les transformateurs, pour résoudre des problèmes spécifiques tels que la classification d'images et la modélisation du langage

Créer des couches et des modèles personnalisés dans Keras et intégrer Keras à TensorFlow 2.x

Développer des réseaux neuronaux convolutifs (CNN) avancés à l'aide de Keras

Modélisation des Transformateurs pour les données séquentielles et la prédiction des séries chronologiques

Expliquer les concepts clés de l'Apprentissage non supervisé dans Keras, des réseaux Q profonds (DQN) et de l'apprentissage par renforcement

Des compétences en PyTorch prêtes à l'emploi dont les employeurs ont besoin en seulement 6 semaines

Comment mettre en œuvre et entraîner des modèles de régression linéaire à partir de zéro en utilisant les fonctionnalités de PyTorch

Concepts clés de la régression logistique et comment les appliquer aux problèmes de classification

Comment traiter les données et former les modèles en utilisant la Descente de gradient pour l'optimisation.

Concepts clés de la régression Softmax et compréhension de son application dans les problèmes de classification multi-classes.

Comment développer et entraîner des réseaux de neurones peu profonds avec différentes architectures.

Concepts clés des réseaux de neurones profonds, y compris des techniques telles que l'abandon, l'initialisation des poids et la normalisation des lots.

Comment développer des réseaux neuronaux convolutifs, appliquer des couches et des fonctions d'activation.

Construisez un modèle d'apprentissage profond pour résoudre un problème réel.

Exécutez le processus de création d'un pipeline d'apprentissage profond.

Appliquez vos connaissances en matière d'apprentissage profond pour améliorer les modèles à l'aide de données réelles.

Démontrer la capacité à présenter et à communiquer les résultats des projets d'apprentissage en profondeur.

Faire la différence entre les architectures et les modèles IA génératifs, tels que les RNN, les transformateurs, les VAE, les GAN et les modèles de diffusion

Décrire comment les serveurs d'authentification, tels que GPT, BERT, BART et T5, sont appliqués dans les tâches de traitement du langage naturel

Mettre en œuvre la tokenisation pour prétraiter le texte brut à l'aide de bibliothèques NLP comme NLTK, spaCy, BertTokenizer et XLNetTokenizer

Créer un chargeur de données NLP dans PyTorch qui gère la tokenisation, la numérisation et le padding pour les ensembles de données textuelles

Expliquer comment l'encodage one-hot, les sacs de mots, les encastrements et les sacs d'encastrement transforment le texte en caractéristiques numériques pour les modèles NLP

Implémenter des modèles Word2Vec en utilisant les architectures CBOW et Skip-gram pour générer des enchâssements de mots contextuels

Développer et former des modèles de langage basés sur des réseaux neurones en utilisant des N-Grammes statistiques et des architectures feedforward

Construire des modèles séquence à séquence avec des RNNs codeur-décodeur pour des tâches telles que la traduction automatique et la transformation de séquences

Expliquer le rôle des mécanismes d'attention dans les modèles de transformateurs pour saisir les relations contextuelles dans le texte

Décrire les différences dans les approches de modélisation du langage entre les modèles basés sur le décodeur comme le GPT et les modèles basés sur le codeur comme le BERT

Mettre en œuvre les composants clés des modèles transformateurs, y compris l'encodage positionnel, les mécanismes d'attention et le masquage, à l'aide de PyTorch

Appliquer des modèles basés sur des transformateurs pour des tâches NLP réelles, telles que la classification de textes et la traduction de langues, à l'aide des outils PyTorch et Hugging Face

Compétences recherchées et prêtes à l'emploi dont les entreprises ont besoin pour travailler avec des LLM à base de transformateurs en ingénierie de l'IA générative

Comment effectuer un réglage fin efficace des paramètres (PEFT) à l'aide de méthodes telles que LoRA et QLoRA afin d'optimiser l'apprentissage des modèles

Comment utiliser des modèles de transformateurs pré-entraînés pour les tâches linguistiques et les affiner pour des applications spécifiques en aval ?

Comment charger des modèles, exécuter l'inférence et former des modèles en utilisant les frameworks Hugging Face et PyTorch

Compétences en ingénierie de l'IA générative en demande dans les LLM de mise au point que les employeurs recherchent activement

Réglage des instructions et modélisation des récompenses à l'aide de Hugging Face, ainsi que compréhension des LLM en tant que politiques et application des techniques RLHF

Optimisation directe des préférences (DPO) avec fonction de partition et Hugging Face, y compris la manière de définir les solutions optimales aux problèmes de DPO

Utilisation de l'optimisation proximale des politiques (PPO) avec Hugging Face pour construire des fonctions d'évaluation et tokeniser des ensembles de données pour un réglage fin

Compétences en demande et prêtes à l'emploi que les entreprises recherchent pour construire des agents IA à l'aide de RAG et LangChain en seulement 8 heures

Comment appliquer les principes fondamentaux de l'apprentissage en contexte et de l'ingénierie avancée des requêtes pour améliorer la conception des requêtes ?

Les concepts clés de LangChain, y compris les outils, les composants, les modèles de chat, les chaînes et les agents

Comment construire des applications IA en intégrant les technologies RAG, PyTorch, Hugging Face, LLMs, et LangChain

Acquérir une expérience pratique en construisant votre propre application d'IA générative dans le monde réel à présenter lors d'entretiens

Créer et configurer une base de données vectorielle pour stocker les enchâssements de documents et développer un extracteur pour récupérer les segments pertinents en fonction des requêtes de l'utilisateur

Mettre en place une interface Gradio simple pour l'interaction avec l'utilisateur et construire un bot de réponse aux questions en utilisant LangChain et un grand modèle de langage (LLM)