LLM de IA Generativa

Puede hacer uno de estos cursos:

Habilidades tratadas en estos cursos:

• Comprenda las técnicas y herramientas fundamentales necesarias para entrenar un modelo de deep learning.

• Obtenga experiencia con arquitecturas de modelos y tipos de datos de deep learning comunes. 
• Aproveche el aprendizaje de transferencia entre modelos para lograr resultados eficientes con menos datos y computación. 
• Asuma su propio proyecto con un framework de deep learning moderno.

• Genere confianza para desarrollar su propio proyecto con un framework de deep learning moderno.
• Aproveche el aprendizaje de transferencia entre modelos para lograr resultados eficientes con menos datos y computación.

• Optimice los conjuntos de datos mediante el aumento de datos para mejorar la precisión de los modelos.

Puede hacer uno de estos cursos:

Habilidades tratadas en estos cursos:

• Use una amplia variedad de algoritmos de machine learning, incluido XGBoost, para diferentes problemas de ciencia de datos.
• Aprenda y aplique potentes algoritmos de gráficos para analizar redes complejas con NetworkX y cuGraph.

Comprenda la manipulación de datos acelerada por GPU:

• Introduzca y prepare varios conjuntos de datos (algunos más grandes que la memoria) para su uso en múltiples ejercicios de machine learning. 
• Lea datos directamente en GPU individuales y múltiples con cuDF y Dask cuDF. 
• Prepare información para tareas de machine learning en la GPU con cuDF. 
• Aplique varias técnicas de machine learning esenciales para preparar los datos. 
• Utilice algoritmos acelerados por GPU supervisados y no supervisados con cuML. 
• Entrene modelos de XGBoost con Dask en múltiples GPU. 
• Cree y analice datos de gráficos en la GPU con cuGraph. 
• Utilice NVIDIA RAPIDS™ para integrar múltiples conjuntos de datos masivos y realizar análisis. 
• Implemente la preparación de datos y la extracción de funciones aceleradas por GPU mediante marcos de datos cuDF y Apache Arrow. 
• Aplique un amplio espectro de tareas de machine learning aceleradas por GPU mediante XGBoost y una variedad de algoritmos de cuML. 
• Ejecute análisis de gráficos acelerados por GPU con cuGraph para conseguir análisis a escala masiva en pequeñas cantidades de tiempo. 
• Logre rápidamente análisis de gráficos a escala masiva mediante las rutinas de cuGraph.

• Aprenda y aplique potentes algoritmos de gráficos para analizar redes complejas con NetworkX y cuGraph.

• Implemente modelos de machine learning en un Servidor de Inferencia Triton para ofrecer un desempeño óptimo.

Puede hacer uno de estos cursos:

Habilidades tratadas en estos cursos:

• Aprenda a describir cómo se usan los transformers como los pilares básicos de los LLM modernos para aplicaciones de procesamiento de lenguaje natural (PLN).  
• Descubra cómo la autosupervisión mejora la arquitectura del transformer en BERT, Megatron y otras variantes de LLM para obtener resultados de PLN de óptima calidad.

• Implemente modelos basados en transformers para diferentes aplicaciones de PLN.
• Desarrolle soluciones para la clasificación de textos, NER, atribución de autoría y respuesta a preguntas con LLM
• Administrar los desafíos de inferencia e implementar modelos refinados para aplicaciones en vivo

• Pruebe modelos basados en transformers para diversas tareas de PLN.
• Pruebe y compare el desempeño de los modelos en tareas de respuesta a preguntas.
• Aproveche los LLM modernos y preentrenados para resolver varias tareas de PLN, como la clasificación de tokens, la clasificación de textos, la creación de resúmenes y la respuesta a preguntas.

• Utilice modelos basados en transformers para la clasificación de textos.
• Aplique LLM para el reconocimiento de entidades nombradas (NER).
• Utilice modelos de transformers para la atribución de autorías.
• Descubra cómo aprovechar los modelos de LLM modernos y preentrenados para resolver múltiples tareas de PLN, como la clasificación de textos, el reconocimiento de entidades nombradas (NER) y la respuesta a preguntas.

Habilidades tratadas en este curso:

• Comprenda cómo aplicar las prácticas recomendadas de ingeniería de prompts iterativas para crear aplicaciones basadas en LLM para diversas tareas relacionadas con el lenguaje.

• Aprenda a usar LangChain para organizar y componer workflows de LLM.

• Escriba código de aplicaciones para aprovechar los LLM para tareas generativas, análisis de documentos, aplicaciones de chatbots y mucho más.

• Aprenda a usar LangChain para organizar y componer workflows de LLM.

Habilidades tratadas en este curso:

• Use modelos de codificadores para tareas como análisis semántico, incrustación, respuesta a preguntas y clasificación con cero muestras de entrenamiento.
• Trabaje con modelos de estilo de decodificador acondicionados para asimilar y generar formatos, estilos y modalidades de datos interesantes.

• Explore el uso de LangChain y LangGraph para organizar pipelines de datos y agentes habilitados para el entorno.

• Impulse y guíe soluciones de IA generativa para tareas de datos naturales seguras, efectivas y escalables.

• Encuentre, incorpore y experimente con el repositorio de modelos de Hugging Face y la API de transformers asociada.

• Impulse y guíe soluciones de IA generativa para tareas de datos naturales seguras, efectivas y escalables.