Tekoälykoodaus saapui juuri Jupyter-muistikirjoihin - ja @brganger (Jupyterin perustaja) ja minä näytämme sinulle, kuinka sitä käytetään. Käsin koodaus on vanhentumassa. Uusin Jupyter AI - Jupyter-tiimin rakentama ja JupyterConissa tällä viikolla esitelty - tuo tekoälyavun suoraan muistikirjoihin. Useimmat tekoälykoodausavustajat kamppailevat Jupyter-muistikirjojen kanssa. Jupyter AI on suunniteltu erityisesti heitä varten. Tämä on ensimmäinen kurssi, jossa sitä opetetaan. Tällä kurssilla Brian ja minä opetamme sinua: - Luo ja korjaa koodia suoraan muistikirjan soluissa integroidun chat-käyttöliittymän kautta - Tarjoa oikea konteksti (kuten API-dokumentit), jotta tekoäly voi kirjoittaa tarkkaa koodia - Käytä Jupyter AI:n ainutlaatuisia muistikirjaominaisuuksia: vedä soluja keskusteluun, luo soluja chatista, liitä konteksti LLM:lle Olemme integroineet Jupyter AI:n suoraan DeepLearningAI-alustaan, joten voit aloittaa sen käytön välittömästi. Koska Jupyter AI on avoimen lähdekoodin, voit myös asentaa ja käyttää sitä paikallisesti myöhemmin. Olitpa kokenut kannettavien tietokoneiden kanssa tai opettelet niitä ensimmäistä kertaa, tämä kurssi valmistaa sinut tekoälyavusteisen muistikirjan kehittämiseen. Aloita Jupyter AI:n käyttö (ilmainen):

Jälkikäteen ajateltuna grafiikkasuorittimien merkitys tekoälylle oli jotain, jonka ymmärsimme todella oikein!

Jännittävä uusi ammattitodistus: @lmoroney:n opettama PyTorch for Deep Learning on nyt saatavilla osoitteessa . Tämä on lopullinen ohjelma PyTorchin oppimiseen, joka on yksi tärkeimmistä kehyksistä, joita tutkijat käyttävät uraauurtavien tekoälyjärjestelmien rakentamiseen. Jos haluat ymmärtää, miten nykyaikaiset syväoppimismallit toimivat, tai luoda omia mukautettuja arkkitehtuureja, PyTorch antaa sinulle suoran hallinnan mallikehityksen keskeisiin näkökohtiin. Tämä kolmen kurssin ammattitodistus vie sinut perusteista edistyneiden arkkitehtuurien ja käyttöönoton kautta: Kurssi 1: PyTorch: Perusteet - Opi, miten PyTorch edustaa tietoja tensoreiden avulla ja miten tietojoukot sopivat koulutusprosessiin. Rakennat ja harjoittelet neuroverkkoja vaihe vaiheelta, seuraat koulutuksen edistymistä ja arvioit suorituskykyä. Loppuun mennessä ymmärrät PyTorchin työnkulun ja olet valmis suunnittelemaan, kouluttamaan ja testaamaan omia mallejasi. Kurssi 2: PyTorch: Tekniikat ja ekosysteemityökalut - Hallitse hyperparametrien optimointi, mallin profilointi ja työnkulun tehokkuus. Käytät opetteluaikatauluja, torjut ylisovitusta ja käytät automaattista viritystä Optunan avulla. Työskentele TorchVisionin kanssa visuaalista tekoälyä varten ja Hugging Facen kanssa NLP:tä varten. Opi siirto-oppimista ja hienosäädä esikoulutettuja malleja uusiin ongelmiin. Kurssi 3: PyTorch: Edistyneet arkkitehtuurit ja käyttöönotto - Rakenna kehittyneitä arkkitehtuureja, mukaan lukien Siamese Networks, ResNet, DenseNet ja Transformers. Lue, miten huomiomekanismit käyttävät nykyaikaisia kielimalleja ja miten diffuusiomallit luovat kuvia. Valmistele mallit käyttöönottoa varten ONNX:n, MLflow:n, karsimisen ja kvantisoinnin avulla. Taidot, joita saat: - Rakenna ja optimoi neuroverkkoja PyTorchissa, jota tutkijat käyttävät läpimurtomallien luomiseen - Hienosäädä esikoulutettuja malleja konenäköä ja NLP-tehtäviä varten – mukauta olemassa olevia malleja erityisten ongelmien ratkaisemiseksi - Toteuta muuntaja-arkkitehtuureja ja työskentele diffuusiomallien kanssa, jotka ovat ChatGPT:n ydinteknologioita ja modernia kuvantuotantoa - Optimoi mallit kvantisoinnilla ja karsimisella, jotta ne olisivat nopeita ja tehokkaita todellista käyttöönottoa varten Halusitpa sitten käyttää olemassa olevia malleja, rakentaa omia mukautettuja malleja tai vain ymmärtää, mitä käyttämiesi järjestelmien konepellin alla tapahtuu, tämä erikoistuminen antaa sinulle tämän perustan. Aloita PyTorchin oppiminen: