Последние темы автора:
- [Институт Ньюфелда] Наука об эмоциях (2025)
- [Владимир Макулов] Семь истин целостности (2025)
- [Сергей Лопатин] Лимбическая система и вокруг неё: нейробиология эмоций и чувств. Лекция 4. Не гормон счастья. Зачем нам серотонин? (2025)
- [Дмитрий Евстафьев] Стратегия большой игры - между американским хаосом и китайской альтернативой (2025)
- [Джек Томпсон] Сила и мощь фасций (2025)
- #1
Голосов: 0
[zerotomastery] Кастомизация больших языковых моделей для бизнеса: практический курс по QLoRA и AWS
Освойте востребованный навык, которого ждут компании: разработку и внедрение кастомных LLM. На курсе вы научитесь дообучать открытые большие языковые модели на закрытых/корпоративных данных и развертывать свои модели с помощью AWS (SageMaker, Lambda, API Gateway) и Streamlit для удобного интерфейса для сотрудников и клиентов.
Это не «очередной вводный курс по ИИ». Это практический глубокий дайв в навыки, которые отличают AI-инженеров на реальных проектах. Вы будете выполнять fine-tuning с использованием QLoRA - подхода, который радикально снижает потребление ресурсов, - а затем превращать модель в продакшен-сервис.
Кому полезно и для каких ролей готовит:
Описание курса:
Освойте востребованный навык, которого ждут компании: разработку и внедрение кастомных LLM. На курсе вы научитесь дообучать открытые большие языковые модели на закрытых/корпоративных данных и развертывать свои модели с помощью AWS (SageMaker, Lambda, API Gateway) и Streamlit для удобного интерфейса для сотрудников и клиентов.
Это не «очередной вводный курс по ИИ». Это практический глубокий дайв в навыки, которые отличают AI-инженеров на реальных проектах. Вы будете выполнять fine-tuning с использованием QLoRA - подхода, который радикально снижает потребление ресурсов, - а затем превращать модель в продакшен-сервис.
Что вы освоите:
- Дообучение open-source LLM на собственных датасетах (в т.ч. корпоративных).
- Практику с QLoRA, bfloat16-тренировкой, chunking датасетов, attention masks.
- Экосистему Hugging Face (включая Estimator API) и MLOps-пайплайн на AWS.
- Деплой и интеграцию модели: SageMaker endpoints, Lambda, API Gateway, мониторинг.
- Создание простого UI для бизнеса на Streamlit.
Кому полезно и для каких ролей готовит:
- AI Engineer / ML Engineer - проектирование, дообучение и продакшен моделей.
- AI Specialist - создание прикладных решений на базе ИИ.
- Data Scientist - подготовка данных, EDA и построение моделей под задачи компании.
- AI Research Scientist - углублённая работа с механизмами внимания и LLM.
- Cloud Engineer - архитектура и лучшие практики деплоя в AWS.
- DevOps Engineer - автоматизация, выпуск и мониторинг ML-сервисов (CloudWatch и др.).
- Software Engineer - интеграция моделей в приложения с учётом масштабируемости.
- Data Engineer - пайплайны данных, хранилища (S3), препроцессинг.
- Technical Product Manager - планирование и выпуск ML-продуктов, метрики и мониторинг.
Для просмотра ссылок пройдите регистрацию
