Em retrospectiva, a importância das GPUs para a IA foi algo que realmente acertamos!

Um novo e empolgante certificado profissional: PyTorch for Deep Learning ministrado pela @lmoroney agora está disponível em . Este é o programa definitivo para aprender PyTorch, que é uma das principais estruturas que os pesquisadores usam para construir sistemas de IA inovadores. Se você quiser entender como os modelos modernos de aprendizado profundo funcionam ou criar suas próprias arquiteturas personalizadas, o PyTorch oferece controle direto sobre os principais aspectos do desenvolvimento de modelos. Este certificado profissional de três cursos leva você dos fundamentos às arquiteturas avançadas e implantação: Curso 1: PyTorch: Fundamentos - Saiba como o PyTorch representa dados com tensores e como os conjuntos de dados se encaixam no processo de treinamento. Você criará e treinará redes neurais passo a passo, monitorará o progresso do treinamento e avaliará o desempenho. Ao final, você entenderá o fluxo de trabalho do PyTorch e estará pronto para projetar, treinar e testar seus próprios modelos. Curso 2: PyTorch: Técnicas e Ferramentas do Ecossistema - Domine a otimização de hiperparâmetros, criação de perfil de modelo e eficiência do fluxo de trabalho. Você usará agendadores de taxa de aprendizado, abordará o overfitting e aplicará o ajuste automatizado com o Optuna. Trabalhe com TorchVision para IA visual e Hugging Face para PNL. Aprenda a transferir aprendizado e ajuste modelos pré-treinados para novos problemas. Curso 3: PyTorch: Arquiteturas Avançadas e Implantação - Construa arquiteturas sofisticadas, incluindo Siamese Networks, ResNet, DenseNet e Transformers. Saiba como os mecanismos de atenção alimentam os modelos de linguagem modernos e como os modelos de difusão geram imagens. Prepare modelos para implantação com ONNX, MLflow, poda e quantização. Habilidades que você ganhará: - Crie e otimize redes neurais no PyTorch - a estrutura que os pesquisadores usam para criar modelos inovadores - Ajuste modelos pré-treinados para tarefas de visão computacional e NLP, adaptando modelos existentes para resolver seus problemas específicos - Implemente arquiteturas de transformadores e trabalhe com modelos de difusão, as principais tecnologias por trás do ChatGPT e geração de imagens modernas - Otimize modelos com quantização e poda para torná-los rápidos e eficientes para implantação no mundo real Se você deseja usar modelos pré-existentes, criar seus próprios modelos personalizados ou apenas entender o que está acontecendo nos bastidores dos sistemas que você usa, esta especialização lhe dará essa base. Comece a aprender PyTorch:

Um novo curso empolgante: Ajuste fino e aprendizado por reforço para LLMs: introdução ao pós-treinamento, ministrado por @realSharonZhou, vice-presidente de IA da @AMD. Disponível agora em . O pós-treinamento é a principal técnica usada pelos laboratórios de fronteira para transformar um LLM básico - um modelo treinado em texto massivo não rotulado para prever a próxima palavra / token - em um assistente útil e confiável que pode seguir instruções. Também vi muitos aplicativos em que o pós-treinamento é o que transforma um aplicativo de demonstração que funciona apenas 80% do tempo em um sistema confiável que funciona de forma consistente. Este curso ensinará as técnicas pós-treino mais importantes! Neste curso de 5 módulos, Sharon orienta você através de todo o pipeline pós-treinamento: ajuste fino supervisionado, modelagem de recompensas, RLHF e técnicas como PPO e GRPO. Você também aprenderá a usar o LoRA para treinamento eficiente e a projetar avaliações que detectam problemas antes e depois da implantação. Habilidades que você ganhará: - Aplicar ajuste fino supervisionado e aprendizado por reforço (RLHF, PPO, GRPO) para alinhar os modelos aos comportamentos desejados - Use LoRA para ajuste fino eficiente sem treinar novamente modelos inteiros - Preparar conjuntos de dados e gerar dados sintéticos para pós-treinamento - Entender como operar pipelines de produção de LLM, com pontos de decisão go/no-go e loops de feedback Esses métodos avançados não se limitam mais aos laboratórios de IA de fronteira e agora você pode usá-los em seus próprios aplicativos. Saiba aqui: