Achteraf gezien was het belang van GPU's voor AI iets waar we echt gelijk in hadden!

Een spannende nieuwe professionele certificaat: PyTorch voor Deep Learning, gegeven door @lmoroney, is nu beschikbaar op . Dit is het definitieve programma om PyTorch te leren, dat een van de belangrijkste frameworks is die onderzoekers gebruiken om baanbrekende AI-systemen te bouwen. Als je wilt begrijpen hoe moderne deep learning-modellen werken—of je eigen aangepaste architecturen wilt bouwen—geeft PyTorch je directe controle over de belangrijkste aspecten van modelontwikkeling. Dit drie-cursus professionele certificaat neemt je mee van de basisprincipes tot geavanceerde architecturen en implementatie: Cursus 1: PyTorch: Basisprincipes - Leer hoe PyTorch gegevens vertegenwoordigt met tensors en hoe datasets passen in het trainingsproces. Je zult stap voor stap neurale netwerken bouwen en trainen, de voortgang van de training volgen en de prestaties evalueren. Aan het einde begrijp je de workflow van PyTorch en ben je klaar om je eigen modellen te ontwerpen, te trainen en te testen. Cursus 2: PyTorch: Technieken en Ecosysteem Tools - Beheers hyperparameteroptimalisatie, modelprofilering en workflow-efficiëntie. Je zult leerschema's gebruiken, overfitting aanpakken en geautomatiseerde tuning toepassen met Optuna. Werk met TorchVision voor visuele AI en Hugging Face voor NLP. Leer transfer learning en verfijn voorgetrainde modellen voor nieuwe problemen. Cursus 3: PyTorch: Geavanceerde Architecturen en Implementatie - Bouw geavanceerde architecturen, waaronder Siamese Netwerken, ResNet, DenseNet en Transformers. Leer hoe aandachtmechanismen moderne taalmodellen aandrijven en hoe diffusie-modellen afbeeldingen genereren. Bereid modellen voor op implementatie met ONNX, MLflow, snoeien en kwantisatie. Vaardigheden die je zult opdoen: - Bouw en optimaliseer neurale netwerken in PyTorch—het framework dat onderzoekers gebruiken om baanbrekende modellen te creëren - Verfijn voorgetrainde modellen voor computer vision en NLP-taken—pas bestaande modellen aan om je specifieke problemen op te lossen - Implementeer transformerarchitecturen en werk met diffusie-modellen, de kerntechnologieën achter ChatGPT en moderne afbeeldingsgeneratie - Optimaliseer modellen met kwantisatie en snoeien om ze snel en efficiënt te maken voor implementatie in de echte wereld Of je nu bestaande modellen wilt gebruiken, je eigen aangepaste modellen wilt bouwen, of gewoon wilt begrijpen wat er onder de motorkap van de systemen die je gebruikt gebeurt, deze specialisatie zal je die basis geven. Begin met leren van PyTorch:

Een opwindende nieuwe cursus: Fijn-tuning en Versterkend Leren voor LLM's: Introductie tot Post-training, gegeven door @realSharonZhou, VP van AI bij @AMD. Nu beschikbaar op . Post-training is de sleuteltechniek die door grenslaboratoria wordt gebruikt om een basis LLM - een model dat is getraind op enorme ongelabelde tekst om het volgende woord/token te voorspellen - om te zetten in een nuttige, betrouwbare assistent die instructies kan opvolgen. Ik heb ook veel toepassingen gezien waarbij post-training is wat een demo-applicatie die slechts 80% van de tijd werkt, omzet in een betrouwbaar systeem dat consistent presteert. Deze cursus leert je de belangrijkste post-trainingstechnieken! In deze cursus van 5 modules leidt Sharon je door de complete post-training pipeline: gesuperviseerde fijn-tuning, beloningsmodellering, RLHF en technieken zoals PPO en GRPO. Je leert ook hoe je LoRA kunt gebruiken voor efficiënte training en hoe je evaluaties ontwerpt die problemen vóór en na de implementatie opsporen. Vaardigheden die je zult ontwikkelen: - Toepassen van gesuperviseerde fijn-tuning en versterkend leren (RLHF, PPO, GRPO) om modellen af te stemmen op gewenste gedragingen - Gebruik LoRA voor efficiënte fijn-tuning zonder het hele model opnieuw te trainen - Voorbereiden van datasets en genereren van synthetische data voor post-training - Begrijpen hoe je LLM-productiepijplijnen kunt bedienen, met go/no-go beslissingspunten en feedbackloops Deze geavanceerde methoden zijn niet langer beperkt tot grens-AI-laboratoria, en je kunt ze nu in je eigen toepassingen gebruiken. Leer hier: