Практичні моделі великих мов: розуміння та генерація мови
- Час доставки: 7-10 днів
- Стан товару: новий
- Доступна кількість: 3
Просматривая «Практические модели больших языков: понимание и генерация языка» данный товар из каталога «Электроника, робототехника», вы можете получить дополнительную скидку 4%, если произведете 100% предоплату. Размер скидки вы можете увидеть сразу при оформлении заказа на сайте. Внимание!!! Скидка распространяется только при заказе через сайт.
Практичні моделі великих мов: розуміння та генерація мови
Завдяки стрімкому розвитку глибокого навчання системи мовного штучного інтелекту можуть писати та розуміти текст краще, ніж будь-коли раніше. Ця тенденція сприяє появі нових функцій, продуктів і цілих галузей. Завдяки цій книзі розробники Python дізнаються про практичні інструменти та концепції, необхідні для використання цих можливостей сьогодні.
- Автор: Джей Аламмар, Маартен Гротендорст
- Видавець: OReilly Media
- Рік видання: 2024
- Обкладинка: м’яка обкладинка
- Кількість сторінок: 400
- Розміри: 23,5 x 17,7 x 2,2 см
- Мова: англійська
- ISBN: 9781098150969
Лише за останні кілька років ШІ отримав нові мовні можливості. Завдяки стрімкому розвитку глибокого навчання системи мовного штучного інтелекту можуть писати та розуміти текст краще, ніж будь-коли раніше. Ця тенденція сприяє появі нових функцій, продуктів і цілих галузей.
З цією книгою розробники Python дізнаються про практичні інструменти та концепції, необхідні для використання цих можливостей сьогодні. Ви дізнаєтеся, як використовувати потужність попередньо підготовлених великих мовних моделей для таких випадків використання, як копірайтинг і резюме; створювати системи семантичного пошуку, які виходять за межі відповідності ключових слів; створювати системи, які класифікують і кластеризують текст, щоб забезпечити масштабоване розуміння великої кількості текстових документів; і використовувати існуючі бібліотеки та попередньо підготовлені моделі для класифікації тексту, пошуку та кластеризації. У цій книзі також показано, як: Створити розширені конвеєри LLM для кластеризації текстових документів і дослідити теми, до яких вони належать. Створити семантичні пошукові системи, які виходять за межі пошуку за ключовими словами за допомогою таких методів, як щільний пошук і переранжування. Дізнатися про різні випадки використання, де ці моделі можуть забезпечити цінність. Зрозуміти архітектуру базових моделей Transformer, таких як BERT і GPT. Отримати глибше розуміння того, як навчаються LLM. Оптимізувати LLM для спеціальні програми з такими методами, як генеративна тонка настройка моделі, контрастна точна настройка та навчання в контексті