具有大型语言模型的实践生成人工智能工程

深入探索快速发展的生成AI世界，参加我们的综合课程，专为渴望从零开始构建、训练和部署大型语言模型（LLMs）的学习者设计。此课程为你提供了一系列工具、框架和技术，帮助你使用大型语言模型创建GenAI应用，包括Python、PyTorch、LangChain、LlamaIndex、Hugging Face、FAISS、Chroma、Tavily、Streamlit、Gradio、FastAPI、Docker等。本动手课程涵盖了人工智能助手、聊天机器人、增强检索生成（RAG）系统、自动化代理等最先进的AI应用的核心主题，包括实施Transformers、微调模型、提示工程、向量嵌入、向量存储，并从零开始使用REST API和Docker容器化部署你的GenAI应用。完成本课程后，你将拥有工程和部署自己的基于LLM的应用所需的实践技能和理论知识

由Quang Tan DUONG创建
MP4 | 视频: h264，1280×720 | 音频: AAC，44.1 KHz，2声道
类型: 电子学习 | 语言: 英语 | 时长: 160讲（6小时18分钟） | 文件大小: 2.76 GB

实施Transformer、训练、微调 | GenAI应用: AI助手、聊天机器人、RAG、代理 | 部署

你将学到的内容：
理解如何从零开始构建、实施、训练和推理大型语言模型，例如Transformer（Attention Is All You Need）。
了解构建基于LLM的应用所需的不同组件、工具和框架。
学习如何从零开始服务和部署你的基于LLM的应用。
参与动手技术实施：Notebook、Python脚本、将模型构建为Python包、训练、推理、微调、部署等。
获得关于生成AI与大型语言模型的高级工程主题的指导。 Hands-on Generative AI Engineering with Large Language Model

要求：
不需要有生成AI、大型语言模型、自然语言处理或Python的经验。本课程将为你提供进入这一领域所需的一切知识，激发你的热情和好奇心。概念和组件首先通过理论和文档进行解释，然后随之进行动手技术实施。所有代码片段逐步解释，并配有Notebook实验场和完整的Python源代码，结构清晰，便于深入理解。

让我们来看看课程内容：

课程介绍
课程目标
课程结构
学习路径

第一部分：Python项目的软件要求
IDE: VS Code、PyCharm
终端: Windows: PowerShell等，macOS: iTerm2等，Linux: Bash等
Python安装
Python安装程序
Anaconda发行版
Python环境
venv、conda
Python包安装
PyPI、pip
Anaconda、conda
本课程中使用的软件

第二部分：Transformer简介
Transformer到来前后的NLP介绍
逐块掌握Transformers
Transformer训练过程
Transformer推理过程

第三部分：从零开始使用PyTorch实现Transformers
训练过程实施介绍
将Transformer实现为Python包
调用训练和推理过程
使用Notebook进行实验

第四部分：使用Hugging Face生态系统进行生成AI
Hugging Face简介
Hugging Face Hub
模型
数据集
空间
Hugging Face库
Transformers数据集
评估等
使用Hugging Face的实用指南
使用Hugging Face微调预训练语言模型
端到端微调示例
分享你的模型

第五部分：构建基于LLM的Web应用的组件
后端组件
LLM编排框架：LangChain、LlamaIndex
开源与专有LLM的比较
向量嵌入
向量数据库
提示工程
前端组件
基于Python的前端框架：Streamlit、Gradio

第六部分：构建基于LLM的Web应用
任务特定的AI助手
烹饪AI助手
市场营销AI助手
客户AI助手
SQL查询AI助手
旅行AI助手
摘要AI助手
面试AI助手
简单AI聊天机器人
基于RAG（增强检索生成）的AI聊天机器人
处理PDF、DOCX、CSV、TXT、网页的AI聊天机器人
基于代理的AI聊天机器人
解决数学问题的AI聊天机器人
解决搜索问题的AI聊天机器人

第七部分：服务基于LLM的Web应用
创建前端和后端作为两个独立的服务
使用REST API在前端和后端之间进行通信
使用Docker服务应用
在一个Docker容器中安装、运行并实现前后端之间的通信

用例
基于LLM的歌曲推荐应用
结论与后续步骤
我们学到了什么
下步计划
谢谢！