Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in die Feinabstimmung von DeepSeek LLM
- Überblick über DeepSeek-Modelle, z. B. DeepSeek-R1 und DeepSeek-V3
- Verständnis der Notwendigkeit der Feinabstimmung von LLMs
- Vergleich zwischen Feinabstimmung und Prompt-Engineering
Vorbereitung des Datensatzes für die Feinabstimmung
- Zusammenstellung domänenspezifischer Datensätze
- Techniken zur Datenvorverarbeitung und Bereinigung
- Tokenisierung und Formatierung von Datensätzen für DeepSeek LLM
Einrichten der Feinabstimmungsumgebung
- Konfiguration von GPU- und TPU-Beschleunigung
- Einrichtung von Hugging Face Transformers mit DeepSeek LLM
- Verständnis der Hyperparameter für die Feinabstimmung
Feinabstimmung von DeepSeek LLM
- Implementierung des überwachten Feinabstimmungsprozesses
- Verwendung von LoRA (Low-Rank Adaptation) und PEFT (Parameter-Efficient Fine-Tuning)
- Durchführen der verteilten Feinabstimmung für grossflächige Datensätze
Bewertung und Optimierung feinabgestimmter Modelle
- Beurteilung der Modellleistung mit Metriken
- Umgang mit Überanpassung und Unteranpassung
- Optimierung der Inferenzgeschwindigkeit und Modelleffizienz
Bereitstellung feinabgestimmter DeepSeek-Modelle
- Verpackung von Modellen für die API-Bereitstellung
- Integration feinabgestimmter Modelle in Anwendungen
- Skalierung der Bereitstellungen durch Cloud- und Edge Computing
Praxisbeispiele und Anwendungen
- Feinabgestimmte LLMs für Finanzen, Gesundheitswesen und Kundensupport
- Fallstudien zu Branchenapplikationen
- Ethische Überlegungen bei domänenspezifischen KI-Modellen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Machine-Learning- und Deep-Learning-Frameworks
- Vertrautheit mit Transformer-Architekturen und Grossen Sprachmodellen (LLMs)
- Verständnis von Datenvorverarbeitungstechniken und Modelltrainingsmethoden
Zielgruppe
- KI-Forscher, die sich mit der Feinabstimmung von LLMs befassen
- Machine-Learning-Ingenieure, die benutzerdefinierte KI-Modelle entwickeln
- Erfahrene Entwickler, die KI-gestützte Lösungen implementieren
21 Stunden
