Cours de Python pour le sous-classement et le réglage fin des modèles d'IA

Aperçu

Maîtriser les classes Python et leur application dans le développement d'IA, en se concentrant sur l'ajustement fin de LLM et la mise en œuvre de transformers de vision avec la fonctionnalité KERAS3.

Programme

- Introduction à la Programmation Orientée Objet en Python -- Aperçu des classes et objets en Python -- Attributs et méthodes -- Héritage et polymorphisme - Fonctionnalités Avancées des Classes Python -- Méthodes de classe et méthodes statiques -- Décorateurs de propriété -- Méthodes "dunder" pour la surcharge d'opérateurs - Classes Python pour le Développement en IA -- Conception de classes réutilisables pour les tâches d'IA -- Compréhension des hiérarchies de classes dans les modèles d'IA -- Implémentation des paramètres de modèle comme attributs de classe - Introduction à KERAS3 et son API Fonctionnelle -- Aperçu des fonctionnalités de KERAS3 -- Construction de modèles en utilisant l'API Fonctionnelle -- Avantages de la sous-classe dans KERAS3 - Sous-classification dans les Modèles de Langage de Grande Taille (LLMs) -- Création de couches personnalisées pour les LLMs -- Ajustement fin des LLMs pré-entraînés avec sous-classification -- Étude de cas : Implémentation et ajustement fin d'un modèle de type GPT - Ajustement Fin des Transformers de Vision (ViT) en Utilisant des Classes Python -- Aperçu de l'architecture des Transformers de Vision -- Construction et personnalisation de ViT en utilisant KERAS3 -- Exemple pratique : Ajustement fin d'un ViT sur un jeu de données personnalisé - Meilleures Pratiques et Optimisation -- Stratégies pour une sous-classification de modèle efficace -- Gestion des ressources et optimisation des performances -- Débogage et test des classes modèles d'IA personnalisées - Projet de Synthèse : Implémentation d'un Modèle d'IA Personnalisé -- Définir une portée de projet en utilisant des classes Python -- Concevoir, implémenter et ajuster un modèle d'IA personnalisé -- Présenter et évaluer votre modèle d'IA - Conclusion et Ressources Supplémentaires -- Révision des concepts clés -- Lectures et ressources recommandées pour un apprentissage approfondi

Enseigné par

Étiquettes