IA Generativa LLMs

Você pode fazer um destes cursos:

Habilidades abordadas nestes cursos:

• Compreender as técnicas e ferramentas fundamentais necessárias para treinar um modelo de deep learning.

• Obter experiência com tipos de dados e arquiteturas de modelos comuns de deep learning. 
• Utilizar o aprendizado de transferência entre modelos para obtenção de resultados eficientes com menos dados e computação. 
• Assumir seu próprio projeto com um framework de deep learning moderno.

• Adquirir confiança para começar um projeto próprio com um framework moderno de deep learning.
• Utilizar o aprendizado de transferência entre modelos para obter resultados eficientes com menos dados e computação.

• Aprimorar conjuntos de dados por meio do aumento de dados para melhorar a precisão do modelo.

Você pode fazer um destes cursos:

Habilidades abordadas nestes cursos:

• Utilizar uma ampla variedade de algoritmos de machine learning, incluindo o XGBoost, para diferentes problemas de ciência de dados.
• Conhecer algoritmos gráficos poderosos para analisar redes complexas com o NetworkX e o cuGraph e sua aplicação.

Compreender o gerenciamento de dados usando GPU:

• Inserir e preparar vários conjuntos de dados (alguns maiores do que a memória) para uso em vários exercícios de machine learning. 
• Ler diretamente dados para uma e várias GPUs com cuDF e Dask cuDF. 
• Preparar informações para tarefas de machine learning na GPU com o cuDF. 
• Aplicar várias técnicas essenciais de machine learning para preparar dados. 
• Utilizar algoritmos acelerados por GPU supervisionados e não supervisionados com cuML. 
• Treinar modelos XGBoost com o Dask em vários GPUs. 
• Criar e analisar dados de gráficos na GPU com o cuGraph. 
• Utilizar o NVIDIA RAPIDS™ para integrar múltiplos conjuntos de dados em massa e realização de análises. 
• Implementar a preparação de dados acelerada por GPU e extração de recursos usando os frames de dados cuDF e Apache Arrow. 
• Aplicar um amplo espectro de tarefas de machine learning aceleradas por GPU usando o XGBoost e uma variedade de algoritmos cuML. 
• Analisar gráficos acelerados por GPU com o cuGraph, alcançando análises em escala massiva em pouco tempo. 
• Analisar gráficos em grande escala rapidamente usando rotinas do cuGraph.

• Conhecer algoritmos gráficos poderosos para analisar redes complexas com o NetworkX e o cuGraph e sua aplicação.

• Implantar modelos de machine learning em um Servidor de Inferência Triton para oferecer desempenho ideal.

Você pode fazer um destes cursos:

Habilidades abordadas nestes cursos:

• Entender de que forma os transformers são usados como bases de LLMs modernos para aplicações de processamento de linguagem natural (NLP).  
• Saber como a auto-supervisão melhora a arquitetura de transformers no BERT, Megatron e outras variantes de LLM para obter resultados de NLP superiores.

• Implementar modelos baseados em transformers em diferentes aplicações de NLP.
• Desenvolver soluções para classificação de textos, NER, atribuição de autoria e resposta de perguntas usando LLM
• Superar os desafios da inferência e implementar modelos refinados para aplicações ativas.

• Experimentar com modelos baseados em transformers para várias tarefas de NLP.
• Testar e comparar o desempenho de modelos em tarefas de resposta a perguntas.
• Aproveitar os LLMs modernos e pré-treinados para resolver várias tarefas de NLP, como classificação de tokens, classificação de texto, resumos e respostas a perguntas.

• Utilizar modelos baseados em transformers para classificação de texto.
• Aplicar LLMs para reconhecimento de entidades nomeadas (NER).
• Utilizar modelos de transformers para atribuição de autor.
• Aprender como usar modelos LLM modernos e pré-treinados para resolver várias tarefas de NLP, como classificação de texto, reconhecimento de entidades nomeadas (NER) e responder perguntas.

Habilidades abordadas neste curso:

• Compreender como aplicar as melhores práticas de engenharia de prompt iterativa para criar aplicações baseadas em LLM para várias tarefas relacionadas à linguagem.

• Aprender a usar o LangChain para organizar e compor workflows de LLM.

• Escrever código de aplicação para aproveitar LLMs para tarefas generativas, análise de documentos, aplicações de chatbot e muito mais.

• Aprender a usar o LangChain para organizar e compor workflows de LLM.

Habilidades abordadas neste curso:

• Utilizar modelos de codificador para tarefas como análise semântica, incorporação, resposta a perguntas e classificação zero-shot.
• Trabalhar com modelos de estilo decodificador condicionado para receber e gerar formatos, estilos e modalidades de dados interessantes.

• Explorar o uso do LangChain e do LangGraph para fazer pipelines de dados e agentes habilitados para ambientes específicos.

• Iniciar e orientar soluções de IA generativa para tarefas de dados naturais seguras, eficazes e escaláveis.

• Encontrar, inserir e experimentar com o repositório de modelos Hugging Face e a API de transformers.

• Iniciar e orientar soluções de IA generativa para tarefas de dados naturais seguras, eficazes e escaláveis.