Cloudera
교육개요
다양한 Large Language Models (LLM)에 대한 Fine-tuning 기술을 배우고, Prompt Engineering의 기본 개념과 PEFT를 통한 효율적인 Fine-tuning 방법을 탐구합니다. LoRA 기법을 이용한 실습을 통해 Prefix-Tuning과 P-Tuning을 소개하며, RAG와 LangChain을 활용한 데이터 검색 및 생성, 지식 기반 질의응답을 실습을 통해 배웁니다. 또한, Chain of Thought, Instruction Tuning, RLHF, RoPE 등 최신 Fine-tuning 기법을 이해하고, Latent Diffusion Models(LDM)와 LoRA를 활용한 이미지 생성까지 실습합니다. AI 모델을 차원이 다른 수준으로 끌어올릴 준비가 되셨나요? 여러분의 AI 경력을 한 단계 업그레이드할 이 과정에 지금 참여하세요!
교육목표
LLM의 다양한 Fine-tuning 방법, Prompt Engineering, LoRA, RAG, LangChain을 포함한 최신 기술들을 학습하고, 실습을 통해 LDM과 같은 모델의 실질적인 Fine-tuning 및 응용을 탐구하는 것을 목표로 합니다.
강의내용
[Chapter1. LLM Fine-tuning 개요]
· 학습 목표
Fine-tuning의 이해와 다양한 LLM 모델에 대한 Fine-tuning 방법과 예시를 학습한다.
· 주요 내용
1. Fine-tuning의 기본 원리 및 필요성
2. 다양한 LLM 모델의 Fine-tuning 방법과 예시
[Chapter2. Prompt Engineering과 PEFT]
· 학습 목표
Prompt Engineering의 기본 개념과 사례를 이해하고, PEFT 기법을 통한 효율적인 Fine-tuning 적용 방법을 학습한다.
· 주요 내용
1. Prompt Engineering의 기초 및 사례
2. PEFT (Prompt-based Efficient Fine-tuning) 기법과 적용 방법
[Chapter3. LoRA를 활용한 LLM fine-tuning]
· 학습 목표
LoRA의 개념과 원리를 이해하고, LoRA를 활용한 LLM fine-tuning의 실습을 통해 Prefix-Tuning과 P-Tuning을 소개한다.
· 주요 내용
1. LoRA의 개념과 원리
2. LoRA를 활용한 LLM fine-tuning 실습
3. Prefix-Tuning, P-Tuning 소개
[Chapter4. RAG와 LangChain의 활용]
· 학습 목표
RAG와 LangChain의 개념과 원리를 이해하고, 실습을 통해 RAG를 활용한 데이터 검색 및 생성, LangChain을 활용한 지식 기반 질의응답을 수행한다.
· 주요 내용
1. RAG의 개념과 원리
2. RAG를 활용한 데이터 검색 및 생성 실습
3. LangChain의 개념과 원리
4. LangChain을 활용한 지식 기반 질의응답 실습
[Chapter5. Advanced Fine-tuning Techniques]
· 학습 목표
최신 Fine-tuning 기법들을 이해하고, Chain of Thought, Instruction Tuning, RLHF, RoPE 등의 기법을 학습한다.
· 주요 내용
1. 다양한 최신 Fine-tuning 기법의 이해
2. Chain of Thought
3. Instruction Tuning
4. RLHF (Reinforcement Learning from Human Feedback)
5. RoPE (Rotary Positional Embedding)
[Chapter6. LDM Fine-tuning의 적용]
· 학습 목표
Latent Diffusion Models(LDM)의 소개와 Fine-tuning 방법을 이해하고, LoRA를 활용하여 LDM을 통한 이미지 생성에 대한 실습을 진행한다.
· 주요 내용
1. LDM (Latent Diffusion Models) 소개
2. LDM Fine-tuning과 LoRA
3. LoRA를 활용한 LDM을 통한 이미지 생성 실습