求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
 
 
 
开班计划 | 技术学院 | 管理学院 | 嵌入式学院 | 机械 | 军工学院 | 定向培养 | 专家指导  
 电话 English
成功案例   品质保证
成功案例
中航信 数据湖架构原理与应
某医疗磁 数据采集与处理
某科技公 大数据(Hadoo
诺基亚 Python基础
天津电子 Elasticse
中国电信 数据仓库与数据挖掘
某航天科 MySQL性能优化

相关课程  
并发、大容量、高性能数据库
高级数据库架构设计师
Hadoop原理与实践
HBase原理与高级应用
Oracle 数据仓库
数据仓库和数据挖掘
Oracle数据库开发与管理
 
全部课程 >人工智能  
大模型技术剖析及对行业的影响
465 次浏览  6 次
Paul 博士
某AI科技公司技术核心骨干
 
时间地点:北京、 深圳、上海根据报名开班
课程费用:3000元/人
报公开课  
企业内训:可以根据企业需求,定制内训,详见 内训学习手册


认证方式:
培训前了解能力模型。
培训后进行能力评测:
  • 在线考试
  • 能力分析,给出学习建议
  • 合格者颁发证书,作为职业技能资格证明


    本课程重点讲解AIGC模型效果跃升的原因,无监督问题、训练方法,Transformer模型、BERT模型,AIGC的缺陷与优化,大模型和小模型问题,GPT1、GPT2、GPT3、chatGPT原理与应用,大模型应用程序技术栈,对行业的影响。

    课程目标:
    •  AIGC模型效果跃升的原因
    •  无监督问题、训练方法的异同及主流技术的变迁
    •  AIGC成功的其他原因
    • 自注意力机制、Transformer模型、BERT模型
    •  GPT1、GPT2、GPT3、chatGPT原理与应用
    • 自注意力机制、Transformer模型、BERT模型
    • 大模型应用程序技术栈和提示词工程Prompt Enginerring
    • 对NLP领域的巨大冲击
    • 对图像视频领域的影响
    • 对NLP领域的巨大冲击
    • 对AI企业的影响
    • 对传统企业的影响
    培训对象: 企业负责人、管理层,业务骨干,技术专家,创业群体,及对人工智能感兴趣的学员群体等
    学员基础: 无特定要求
    授课方式:讲师讲授+现场讨论+案例分析+模型讲解
    培训内容:1天
    主题
    课程安排
    一、大模型技术剖析:
    1.1 AIGC模型效果跃升的原因:训练方式的改变

    无监督学习
    人工反馈强化学习 RLH
    AIGC 的模型发展过程
    CNN-RNN-Transformer-GPT1-BERT-GPT2-GPT3-InstructGPT-chatGPT-GPT4
    从上述发展过程中我们可以发现什么
    探讨: AIGC 的下一代模型会怎么发展?
    1.2 无监督问题、训练方法的异同及主流技术的变迁

    从 Lecun 的名言说起
    为什么无监督学习能够最终胜出
    强化学习在其中的地位
    强化学习实际落地项目都有哪些?
    “ 多模态 ” 的意义
    “ 不太冷的冷知识 ” : AIGC 的训练数据不止包括文本
    机器学习训练的一般思路和具体方法
    深度学习对机器学习的 “ 改进 ” 之处
    单模态训练的通用过程
    多模态结合无监督学习产生的巨大变化
    多模态解决 zero-shot/few-shot 问题的思路
    1.3 AIGC成功的其他原因

    无监督学习 - 多模态 - 开放性数据集
    多轮对话机制的实现方案
    并行计算问题
    引申:银行业热炒的联邦学习是否需要跟踪?
    1.4 自注意力机制、Transformer模型、BERT模型

    RNN-LSTM-GRU 等基本概念
    编码器、解码器
    自注意力机制详解
    Transformer
    Mask Multi-Head Attention
    位置编码
    特定于任务的输入转换
    无监督预训练、有监督 Fine-tuning
    BERT 思路的理解
    BERT 模型下游任务的网络层设计
    BERT 的训练
    HuggingFace 中 BERT 模型的推断
    基于上下文的学习
    1.5 GPT1、GPT2、GPT3、chatGPT原理与应用

    监督微调( SFT )模型
    指示学习和提示学习
    简单提示、小样本提示、基于用户的提示
    指令微调
    RLLHF 技术详解(从人类的反馈中学习)
    聚合问答数据训练奖励模型( RM )
    强化学习微调、 PPO
     InstructGPT 遵循用户意图使用强化学习方案
    Instruct Learning vs. Prompt Learning
    ChatGPT 增加增加了 Chat 属性
    AI 系统的新范式
    GPT1-GPT2-GPT3-InstructGPT 的 -chatGPT 的技术关系
    1.6 大模型应用程序技术栈和提示词工程Prompt Enginerring

    设计模式:上下文学习
    数据预处理 / 嵌入
    提示构建 / 检索
    提示执行 / 推理
    数据预处理 / 嵌入
    提示构建 / 检索
    提示执行 / 推理
    新兴的大语言( LLM )技术栈
    数据预处理管道( data preprocessing pipeline )
    嵌入终端( embeddings endpoint ) + 向量存储( vector store )
    LLM 终端( LLM endpoints )
    LangChain 的主要功能及模块
    Prompts: 这包括提示管理、提示优化和提示序列化
    LangChain 提供的常用工具
    Chat 模型处理消息
    二、对行业的影响
    2.1 对NLP领域的巨大冲击

    个人的切身感受
    文本分类、问答系统、机器翻译、摘要生成、阅读理解、 few-shot
    NLP 的出路在哪里?
    2.2 对图像视频领域的影响

    大模型的显著增加
    单纯数据模式训练方式的终结
    未来主流:多模态结合无监督训练
    如何看待人工标注这一方向?
    2.3 对AI企业的影响

    10 多年前的持续观点:对 AI 发展中春秋、战国、统一三个时代的划分
    “ 面向 github 编程 ” 的转型
    探讨: AI 企业的盈利点在哪里?
    2.4 对传统企业的影响

    “ 数字化转型 ” 问题的落脚点在哪里?
    传统能源企业拥抱 AI 的成功案例分析
    企业对 AI 团队投入产出比分析
    “ 买 ”“ 借 ”“ 租 ” 的不同
    2.1 对NLP领域的巨大冲击

    个人的切身感受
    文本分类、问答系统、机器翻译、摘要生成、阅读理解、 few-shot
    NLP 的出路在哪里?
    三、总结

    AIGC 的缺陷与优化
    大模型和小模型问题
    对算力的野蛮投资:从字节跳动开始做云服务浅谈投资形势
    综合能力的竞争
    积极态度和中性态度的选择问题
       
    465 次浏览  6 次
    其他人还看了课程
    大语言模型(LLM)Fine Tune  806 次浏览
    ChatGPT实战应用  567 次浏览
    Python、数据分析与机器学习  1544 次浏览
    人工智能  
    深度学习与图像处理  2283 次浏览
    Neo4j图算法工程师   1762 次浏览
    定制内训
    最新活动计划
    MBSE(基于模型的系统工程)4-18[北京]
    自然语言处理(NLP) 4-25[北京]
    基于 UML 和EA进行分析设计 4-29[北京]
    以用户为中心的软件界面设计 5-16[北京]
    DoDAF规范、模型与实例 5-23[北京]
    信息架构建模(基于UML+EA)5-29[北京]