Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al ajuste fino de DeepSeek LLM
- Descripción general de los modelos DeepSeek, por ejemplo, DeepSeek-R1 y DeepSeek-V3.
- Comprensión de la necesidad de realizar ajuste fino en LLM.
- Comparación entre el ajuste fino y la ingeniería de prompts (prompt engineering).
Preparación del conjunto de datos para el ajuste fino
- Selección y curación de conjuntos de datos específicos del dominio.
- Técnicas de preprocesamiento y limpieza de datos.
- Tokenización y formato del conjunto de datos para DeepSeek LLM.
Configuración del entorno de ajuste fino
- Configuración de la aceleración con GPU y TPU.
- Instalación y configuración de Hugging Face Transformers con DeepSeek LLM.
- Comprensión de los hiperparámetros para el ajuste fino.
Realización del ajuste fino de DeepSeek LLM
- Implementación del ajuste fino supervisado.
- Uso de LoRA (Adaptación de Bajo Rango) y PEFT (Ajuste Fino Eficiente en Parámetros).
- Ejecución del ajuste fino distribuido para conjuntos de datos a gran escala.
Evaluación y optimización de modelos ajustados
- Evaluación del rendimiento del modelo mediante métricas de evaluación.
- Manejo del sobreajuste (overfitting) y el subajuste (underfitting).
- Optimización de la velocidad de inferencia y la eficiencia del modelo.
Implementación de modelos DeepSeek ajustados
- Empaquetado de modelos para su implementación vía API.
- Integración de modelos ajustados en aplicaciones existentes.
- Escalado de implementaciones mediante computación en la nube y en el borde (edge computing).
Casos de uso reales y aplicaciones
- LLM ajustados para finanzas, salud y atención al cliente.
- Estudios de caso sobre aplicaciones industriales.
- Consideraciones éticas en modelos de IA específicos del dominio.
Resumen y próximos pasos
Requerimientos
- Experiencia con marcos de aprendizaje automático y aprendizaje profundo.
- Familiaridad con transformadores y modelos de lenguaje grandes (LLM).
- Comprensión de técnicas de preprocesamiento de datos y entrenamiento de modelos.
Público objetivo
- Investigadores de IA que exploran el ajuste fino de LLM.
- Ingenieros de aprendizaje automático que desarrollan modelos de IA personalizados.
- Desarrolladores avanzados que implementan soluciones impulsadas por IA.
21 Horas
