Neem contact met ons op

Cursusaanbod

Introductie tot Open-Source LLM's

  • Wat zijn open-weight modellen en waarom zijn ze belangrijk
  • Overzicht van LLaMA, Mistral, Qwen en andere community-modellen
  • Toepassingsgebieden voor privé-, on-premise- of veilige implementaties

Omgevingsinstelling en Tools

  • Installeren en configureren van Transformers, Datasets en PEFT-bibliotheken
  • Kiezen van geschikte hardware voor fijnafstemming
  • Laden van voorgeconciseerde modellen van Hugging Face of andere repositories

Data Voorbereiding en Preprocessing

  • Datasetsformaten (instruction tuning, chatdata, tekst alleen)
  • Tokenisering en sequentiebeheer
  • Het maken van aangepaste datasets en dataloders

Fijnafstemtechnieken

  • Standaard volledige fijnafstemming versus parameter-efficiënte methoden
  • Toepassen van LoRA en QLoRA voor efficiënte fijnafstemming
  • Gebruik van de Trainer API voor snelle experimenten

Model Evaluatie en Optimalisatie

  • Beoordelen van fijnafgestemde modellen met generatie- en nauwkeurigheidsmetrics
  • Het beheersen van overfitting, generalisatie en validatiesets
  • Performance tuning tips en logging

Implementatie en Privégebruik

  • Modellen opslaan en laden voor inferentie
  • Fijnafgestemde modellen implementeren in veilige enterprise-omgevingen
  • On-premise versus cloud-implementatiestrategieën

Case Studies en Toepassingen

  • Voorbeelden van enterprise-gebruik van LLaMA, Mistral en Qwen
  • Omgaan met meertalige en domeinspecifieke fijnafstemming
  • Discussie: Afwegingen tussen open en gesloten modellen

Samenvatting en Volgende Stappen

Vereisten

  • Begrip van large language models (LLM's) en hun architectuur
  • Ervaring met Python en PyTorch
  • Basiskennis van het Hugging Face-ecosysteem

Doelgroep

  • ML-practitioners
  • AI-ontwikkelaars
 14 Uren

Aantal deelnemers


Prijs per deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën