Nền tảng Trí tuệ nhân tạo sinh bằng Python
Một hướng dẫn toàn diện về việc hiểu và triển khai Trí tuệ nhân tạo sinh (Generative AI) và các Mô hình Ngôn ngữ quy mô lớn (LLMs). Khóa học này bao gồm quá trình chuyển đổi từ nền tảng lý thuyết đến phát triển thực tế bằng Python, bao gồm GANs, mô hình khuếch tán, bộ chuyển đổi (transformers), điều chỉnh tinh (fine-tuning), và triển khai sản xuất.
Tổng quan khóa học
Tóm tắt Nội dung
Một hướng dẫn toàn diện về việc hiểu và triển khai Trí tuệ nhân tạo sinh thành (Generative AI) và các Mô hình Ngôn ngữ lớn (LLMs). Khóa học này bao quát quá trình chuyển đổi từ nền tảng lý thuyết sang phát triển thực tế dựa trên Python, bao gồm GANs, các mô hình khuếch tán (diffusion models), bộ chuyển đổi (transformers), điều chỉnh tinh tế (fine-tuning), và triển khai trong môi trường sản xuất.
Chinh phục các nguyên lý cốt lõi và ứng dụng thực tiễn của các LLM hiện đại và kỹ thuật sinh thành với Python.
Tác giả: Carlos Rodriguez
Lời cảm ơn: Xin gửi lời cảm ơn đặc biệt đến vợ anh, Jill, bố mẹ anh, và các nhà đánh giá kỹ thuật Morgan Boyce, Eric Rui, và Samira Shaikh (tác giả phần giới thiệu).
Mục tiêu Học tập
- Phân biệt giữa các mô hình học máy cổ điển (phân loại) và các mô hình AI sinh thành.
- Nhận diện các kiến trúc nền tảng của AI sinh thành, bao gồm GANs, mô hình khuếch tán (Diffusion models), và Transformers.
- Giải thích vai trò và sự phát triển của các Mô hình Ngôn ngữ lớn (LLMs) trong bức tranh rộng lớn của trí tuệ nhân tạo.
- Phân biệt các đặc điểm độc đáo và các mô hình kiến trúc riêng biệt của GANs, diffusers, và transformers.
- Phân tích những tiến bộ và hạn chế của từng loại mô hình, bao gồm các vấn đề cụ thể như hiện tượng "mất chế độ" (mode collapse) hoặc tốc độ lấy mẫu.
- Triển khai một pipeline Stable Diffusion và đánh giá đầu ra được sinh ra bằng cách sử dụng logits và xác suất dựa trên CLIP.
- Xem xét quá trình phát triển của xử lý ngôn ngữ tự nhiên (NLP) từ các phương pháp đếm ban đầu và RNNs đến các đại diện phân tán hiện đại và học truyền đạt (Transfer Learning).
- Giải thích các cơ chế kỹ thuật của Multi-head Attention (MHA), Self-attention, Masking, và Mạng nơ-ron truyền thẳng (Feed-Forward Network - FFN).
- Triển khai đầy đủ kiến trúc mô hình Transformer, bao gồm token hóa dữ liệu, mã hóa vị trí, và các hàm huấn luyện/làm việc suy luận.
- Chuyển đổi các tính năng thử nghiệm (ví dụ: Google Colab) sang môi trường sẵn sàng sản xuất bằng Docker và VS Code.