Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción
- ¿Qué son los Modelos de Lenguaje Grande (LLM)?
- LLM vs. modelos tradicionales de NLP
- Visión general de las características y arquitectura de los LLM
- Desafíos y limitaciones de los LLM
Comprensión de los LLM
- El ciclo de vida de un LLM
- Cómo funcionan los LLM
- Los componentes principales de un LLM: codificador, decodificador, atención, incrustaciones, etc.
Primeros pasos
- Configuración del entorno de desarrollo
- Instalación de un LLM como herramienta de desarrollo, por ejemplo, Google Colab, Hugging Face
Trabajo con LLM
- Exploración de las opciones disponibles de LLM
- Creación y uso de un LLM
- Ajuste fino de un LLM en un conjunto de datos personalizado
Resumización de textos
- Comprensión de la tarea de resumización de textos y sus aplicaciones
- Uso de un LLM para resumización extractiva y abstracta de textos
- Evaluación de la calidad de los resúmenes generados utilizando métricas como ROUGE, BLEU, etc.
Respuestas a preguntas
- Comprensión de la tarea de respuesta a preguntas y sus aplicaciones
- Uso de un LLM para respuestas a preguntas en dominio abierto y cerrado
- Evaluación de la precisión de las respuestas generadas utilizando métricas como F1, EM, etc.
Generación de textos
- Comprensión de la tarea de generación de textos y sus aplicaciones
- Uso de un LLM para generación de textos condicional e incondicional
- Control del estilo, tono y contenido de los textos generados mediante parámetros como temperatura, top-k, top-p, etc.
Integración de LLM con otros marcos de trabajo y plataformas
- Uso de LLM con PyTorch o TensorFlow
- Uso de LLM con Flask o Streamlit
- Uso de LLM con Google Cloud o AWS
Resolución de problemas
- Comprensión de los errores y errores comunes en los LLM
- Uso de TensorBoard para monitorear y visualizar el proceso de entrenamiento
- Uso de PyTorch Lightning para simplificar el código de entrenamiento y mejorar el rendimiento
- Uso de Hugging Face Datasets para cargar y preprocesar los datos
Resumen y próximos pasos
Requerimientos
- Comprensión del procesamiento de lenguaje natural y el aprendizaje profundo
- Experiencia con Python y PyTorch o TensorFlow
- Experiencia básica en programación
Público objetivo
- Desarrolladores
- Entusiastas del procesamiento de lenguaje natural (NLP)
- Científicos de datos
14 Horas
