聯繫我們

課程簡介

LLMs 與生成式 AI 簡介

  • 探索技術與模型
  • 討論應用場景與用例
  • 識別挑戰與局限性

使用 LLMs 執行 NLU 任務

  • 情感分析
  • 命名實體識別
  • 關係抽取
  • 語義解析

使用 LLMs 執行 NLI 任務

  • 蘊含檢測
  • 矛盾檢測
  • 同義句檢測

使用 LLMs 構建知識圖譜

  • 從文本中抽取事實與關係
  • 推論缺失或新的事實
  • 在下游任務中使用知識圖譜

使用 LLMs 進行常識推理

  • 生成合理的解釋、假設和場景
  • 使用常識知識庫與數據集
  • 評估常識推理能力

使用 LLMs 進行對話生成

  • 利用對話代理、聊天機器人及虛擬助手生成對話
  • 管理對話流程
  • 使用對話數據集與評估指標

使用 LLMs 進行多模態生成

  • 從文本生成圖像
  • 從圖像生成文本
  • 從文本或圖像生成視頻
  • 從文本生成音頻
  • 從音頻生成文本
  • 從文本或圖像生成 3D 模型

使用 LLMs 進行元學習

  • 將 LLMs 適應新領域、任務或語言
  • 從小樣本或零樣本示例中學習
  • 使用元學習與遷移學習數據集及框架

使用 LLMs 進行對抗學習

  • 防護 LLMs 免受惡意攻擊
  • 檢測並減輕 LLMs 中的偏見與錯誤
  • 使用對抗學習與魯棒性數據集及方法

評估 LLMs 與生成式 AI

  • 評估內容質量和多樣性
  • 使用 inception score、Fréchet inception distance 和 BLEU score 等指標
  • 使用眾包和調查等人類評估方法
  • 使用圖靈測試和判别器等對抗性評估方法

應用 LLMs 與生成式 AI 的道德原則

  • 確保公平性與問責制
  • 避免濫用與誤用
  • 尊重內容創作者與消費者的權利和隱私
  • 促進人機協作與創造力

總結與後續步驟

最低要求

  • 了解基本的人工智慧概念和術語
  • 具備 Python 編程和數據分析經驗
  • 熟悉 TensorFlow 或 PyTorch 等深度學習框架
  • 理解 LLMs 的基本原理及其應用

受眾

  • 數據科學家
  • AI 開發者
  • AI 愛好者
 21 小時

課程分類