Eğitim İçeriği

DeepSeek LLM Fine-Tuning'e Giriş

  • DeepSeek modellerine, örneğin DeepSeek-R1 ve DeepSeek-V3'e genel bakış
  • LLM'leri ince ayar yapmanın gerekliliğinin anlaşılması
  • İnce ayar ile istem mühendisliğinin karşılaştırılması

Fine-Tuning için Veri Kümesini Hazırlama

  • Alan özel veri kümelerinin oluşturulması
  • Veri ön işleme ve temizleme teknikleri
  • DeepSeek LLM için tokenizasyon ve veri kümesi biçimlendirme

Fine-Tuning Ortamının Kurulması

  • GPU'nin yapılandırılması ve TPU hızlandırması
  • DeepSeek LLM ile Hugging Face Transformers'ın kurulumu
  • İnce ayar için hiperparametrelerin anlaşılması

Fine-Tuning DeepSeek LLM

  • Denetimli ince ayarın uygulanması
  • LoRA (Düşük Dereceli Uyarlama) ve PEFT (Parametre Verimli Fine-Tuning) kullanımı
  • Büyük ölçekli veri kümeleri için dağıtılmış ince ayar yürütme

İnce Ayarlı Modelleri Değerlendirme ve Optimize Etme

  • Değerlendirme metrikleri ile model performansının değerlendirilmesi
  • Aşırı öğrenme ve yetersiz öğrenmeyle başa çıkma
  • Çıkarım hızının ve model verimliliğinin optimize edilmesi

İnce Ayarlı DeepSeek Modellerini Dağıtma

  • Modelleri API dağıtımı için paketleme
  • İnce ayarlı modelleri uygulamalara entegre etme
  • Bulut ve uç bilişim ile dağıtımları ölçeklendirme

Gerçek Dünya Use Case'ları ve Uygulamaları

  • Finans, sağlık ve müşteri desteği için ince ayarlı LLM'ler
  • Sektör uygulamaları örnek olay incelemeleri
  • Alan özel AI modellerinde etik hususlar

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Makine öğrenimi ve derin öğrenme çerçeveleriyle deneyim
  • Transformer'lar ve büyük dil modelleri (LLM'ler) hakkında bilgi sahibi olma
  • Veri ön işleme ve model eğitimi tekniklerini anlama

Hedef Kitle

  • LLM ince ayarı keşfeden yapay zeka araştırmacıları
  • Özel yapay zeka modelleri geliştiren makine öğrenimi mühendisleri
  • Yapay zeka odaklı çözümler uygulayan ileri düzey geliştiriciler
 21 Saat

Katılımcı Sayısı


Kişi Başına Fiyat

Yaklaşan Etkinlikler

İlgili Kategoriler