RESOURCES.md

Viri za samostojno učenje

Lekcija je bila zgrajena z uporabo več ključnih virov iz OpenAI in Azure OpenAI kot referenc za terminologijo in vodiče. Tukaj je nepopoln seznam za vaše samostojne učne poti.

1. Primarni viri

Naslov/Povezava	Opis
Fine-tuning with OpenAI Models	Fine-tuning izboljša učenje z nekaj primeri tako, da trenira na veliko več primerih, kot jih lahko vključite v poziv, kar vam prihrani stroške, izboljša kakovost odgovorov in omogoča hitrejše odzive. Pridobite pregled fine-tuninga iz OpenAI.
What is Fine-Tuning with Azure OpenAI?	Spoznajte kaj je fine-tuning (koncept), zakaj ga je vredno preučiti (motivacijski problem), katere podatke uporabiti (usposabljanje) in kako meriti kakovost.
Customize a model with fine-tuning	Azure OpenAI Service vam omogoča prilagoditev modelov na vaše osebne podatkovne zbirke z uporabo fine-tuninga. Naučite se kako izvajati fine-tuning (postopek) in izbirati modele z Azure AI Studio, Python SDK ali REST API.
Recommendations for LLM fine-tuning	LLM-ji morda ne delujejo dobro na določenih področjih, nalogah ali podatkovnih zbirkah, ali pa lahko proizvedejo netočne ali zavajajoče rezultate. Kdaj je smiselno razmisliti o fine-tuningu kot možni rešitvi?
Continuous Fine Tuning	Kontinuirani fine-tuning je iterativni proces, kjer izberete že fine-tuniran model kot osnovo in ga nadalje prilagajate na novih nizih učnih primerov.
Fine-tuning and function calling	Fine-tuning vašega modela z uporabo primerov klicev funkcij lahko izboljša izhod modela z natančnejšimi in bolj doslednimi odgovori – s podobno oblikovanimi odzivi in prihranki pri stroških.
Fine-tuning Models: Azure OpenAI Guidance	Preverite to tabelo, da razumete kateri modeli so na voljo za fine-tuning v Azure OpenAI in v katerih regijah. Po potrebi preverite njihove omejitve števila tokenov in datume poteka učnih podatkov.
To Fine Tune or Not To Fine Tune? That is the Question	Ta 30-minutna epizoda AI Show iz oktobra 2023 obravnava prednosti, slabosti in praktične vpoglede, ki vam pomagajo pri odločitvi.
Getting Started With LLM Fine-Tuning	Ta AI Playbook vir vas vodi skozi zahteve glede podatkov, oblikovanje, nastavitve hiperparametrov fine-tuninga ter izzive in omejitve, ki jih morate poznati.
Tutorial: Azure OpenAI GPT3.5 Turbo Fine-Tuning	Naučite se ustvariti vzorčno podatkovno zbirko za fine-tuning, pripraviti se na fine-tuning, ustvariti nalogo fine-tuninga in namestiti prilagojen model na Azure.
Tutorial: Fine-tune a Llama 2 model in Azure AI Studio	Azure AI Studio vam omogoča prilagoditev velikih jezikovnih modelov na vaše osebne podatkovne zbirke z uporabo UI delovnega toka, primernega za razvijalce z malo kode. Oglejte si ta primer.
Tutorial:Fine-tune Hugging Face models for a single GPU on Azure	Ta članek opisuje, kako fine-tunirati Hugging Face model z uporabo knjižnice Hugging Face transformers na enem GPU z Azure DataBricks in knjižnicami Hugging Face Trainer.
Training: Fine-tune a foundation model with Azure Machine Learning	Katalog modelov v Azure Machine Learning ponuja številne odprtokodne modele, ki jih lahko prilagodite za svojo specifično nalogo. Preizkusite ta modul iz AzureML Generative AI Learning Path.
Tutorial: Azure OpenAI Fine-Tuning	Fine-tuning modelov GPT-3.5 ali GPT-4 na Microsoft Azure z uporabo W&B omogoča podrobno sledenje in analizo zmogljivosti modela. Ta vodič razširja koncepte iz OpenAI Fine-Tuning vodiča z dodatnimi koraki in funkcijami za Azure OpenAI.

2. Sekundarni viri

Ta razdelek zajema dodatne vire, ki jih je vredno raziskati, vendar jih v tej lekciji nismo uspeli obravnavati. Morda bodo vključeni v prihodnjih lekcijah ali kot dodatna naloga. Za zdaj jih uporabite za gradnjo lastnega znanja in strokovnosti na to temo.

Naslov/Povezava	Opis
OpenAI Cookbook: Priprava in analiza podatkov za fine-tuning klepetalnega modela	Ta zvezek služi kot orodje za predobdelavo in analizo podatkovne zbirke za fine-tuning klepetalnega modela. Preverja napake v formatu, nudi osnovno statistiko in ocenjuje število tokenov za stroške fine-tuninga. Oglejte si: Fine-tuning method for gpt-3.5-turbo.
OpenAI Cookbook: Fine-Tuning za Retrieval Augmented Generation (RAG) z Qdrant	Namen tega zvezka je prikazati celovit primer, kako fine-tunirati OpenAI modele za Retrieval Augmented Generation (RAG). Prav tako bomo integrirali Qdrant in Few-Shot Learning za izboljšanje zmogljivosti modela in zmanjšanje napačnih informacij.
OpenAI Cookbook: Fine-tuning GPT z Weights & Biases	Weights & Biases (W&B) je platforma za razvijalce AI z orodji za treniranje modelov, fine-tuning in uporabo osnovnih modelov. Najprej preberite njihov vodič OpenAI Fine-Tuning, nato preizkusite vajo iz Cookbook.
Community Tutorial Phinetuning 2.0 - fine-tuning za majhne jezikovne modele	Spoznajte Phi-2, nov Microsoftov majhen model, ki je presenetljivo zmogljiv in kompakten. Ta vodič vas bo popeljal skozi fine-tuning Phi-2, prikazal, kako zgraditi edinstveno podatkovno zbirko in fine-tunirati model z uporabo QLoRA.
Hugging Face Tutorial Kako fine-tunirati LLM-je v letu 2024 z Hugging Face	Ta blog vas vodi skozi postopek fine-tuninga odprtih LLM-jev z uporabo Hugging Face TRL, Transformers in podatkovnih zbirk v letu 2024. Določite primer uporabe, nastavite razvojno okolje, pripravite podatkovno zbirko, fine-tunirajte model, ga testno ocenite in nato uvedite v produkcijo.
Hugging Face: AutoTrain Advanced	Omogoča hitrejše in enostavnejše treniranje ter uvajanje najnaprednejših modelov strojnega učenja. Repo vsebuje Colab-prijazne vodiče z YouTube video navodili za fine-tuning. Vključuje nedavno posodobitev local-first. Preberite AutoTrain dokumentacijo.

Omejitev odgovornosti:
Ta dokument je bil preveden z uporabo storitve za avtomatski prevod AI Co-op Translator. Čeprav si prizadevamo za natančnost, vas opozarjamo, da lahko avtomatski prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem izvirnem jeziku velja za avtoritativni vir. Za pomembne informacije priporočamo strokovni človeški prevod. Za morebitne nesporazume ali napačne interpretacije, ki izhajajo iz uporabe tega prevoda, ne odgovarjamo.