พื้นฐานของปัญญาประดิษฐ์เชิงสร้างสรรค์ในภาษา Python

คู่มือที่ครอบคลุมเกี่ยวกับการเข้าใจและนำไปใช้จริงกับปัญญาประดิษฐ์เชิงสร้างสรร (Generative AI) และโมเดลภาษาขนาดใหญ่ (LLMs) หลักสูตรนี้ครอบคลุมการเปลี่ยนผ่านจากพื้นฐานทางทฤษฎีไปสู่การพัฒนาในเชิงปฏิบัติโดยใช้ภาษา Python รวมถึง GANs, โมเดลการกระจายตัว (Diffusion models), โครงสร้างแบบแปลง (Transformers), การปรับแต่งเฉพาะงาน (fine-tuning) และการนำออกใช้งานในสภาพแวดล้อมผลิต

จัดการหลักการสำคัญและแอปพลิเคชันเชิงปฏิบัติของโมเดลภาษาขนาดใหญ่ (LLMs) และเทคนิคการสร้างสรรค์สมัยใหม่ด้วยภาษา Python

ผู้เขียน: คาร์ลอส โรดริเกซ

คำขอบคุณ: ขอขอบคุณเป็นพิเศษแก่ภรรยาของเขา จิลล์ บรรพบุรุษของเขา และนักตรวจสอบทางเทคนิค โมร์แกน บอยซ์ อีริก รุย และซาไมรา ชาฮ์ (ผู้เขียนบทนำ)

1. แยกแยะ ระหว่างแนวทางการเรียนรู้ของเครื่องแบบดั้งเดิม (แบบจำแนก) กับโมเดลปัญญาประดิษฐ์เชิงสร้างสรร
2. ระบุ สถาปัตยกรรมพื้นฐานของปัญญาประดิษฐ์เชิงสร้างสรร ได้แก่ GANs, โมเดลการกระจายตัว (Diffusion models) และ Transformers
3. อธิบาย บทบาทและวิวัฒนาการของโมเดลภาษาขนาดใหญ่ (LLMs) ภายในบริบทกว้างของปัญญาประดิษฐ์
4. แยกแยะลักษณะเฉพาะและแนวทางสถาปัตยกรรมของ GANs, Diffusers และ Transformers
5. วิเคราะห์ข้อได้เปรียบและข้อจำกัดของแต่ละประเภทโมเดล รวมถึงปัญหาเฉพาะ เช่น การเกิด "โหมดหาย" หรือความเร็วในการสุ่มตัวอย่าง
6. ดำเนินการจัดระบบการสร้างภาพแบบ Stable Diffusion และประเมินผลลัพธ์ที่ได้ โดยใช้ค่าลอจิตและค่าความน่าจะเป็นจากโมเดล CLIP
7. ติดตามเส้นทางวิวัฒนาการของภาษาธรรมชาติ (NLP) จากวิธีการนับจำนวนเบื้องต้นและโมเดล RNN ไปสู่การแทนที่แบบกระจาย (Distributed Representations) และการเรียนรู้แบบถ่ายทอด (Transfer Learning)
8. อธิบายกลไกทางเทคนิคของ Multi-head Attention (MHA), Self-attention, Masking และเครือข่ายฟีดฟอร์เวิร์ด (FFN)
9. ดำเนินการสร้างโครงสร้างโมเดล Transformer แบบครบวงจร รวมถึงการแบ่งคำ (tokenization), การเข้ารหัสตำแหน่ง (positional encoding) และฟังก์ชันการฝึกและการคาดการณ์
10. เปลี่ยนฟีเจอร์การทดลอง (เช่น Google Colab) ไปสู่สภาพแวดล้อมพร้อมสำหรับการผลิต โดยใช้ Docker และ VS Code