Efficient Fine-Tuning with Low-Rank Adaptation (LoRA)培訓

這種由講師指導的 香港 現場培訓（在線或現場）面向希望掌握尖端遷移學習技術並將其應用於複雜現實問題的高級機器學習專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解遷移學習中的高級概念和方法。
• 為預先訓練的模型實施特定於域的適應技術。
• 應用持續學習來管理不斷變化的任務和數據集。
• 掌握多任務微調，以提高跨任務的模型性能。

這種由講師指導的 香港 現場現場培訓（在線或現場）面向希望可靠、高效地部署微調模型的高級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解將微調模型部署到生產環境中所面臨的挑戰。
• 使用 Docker 和 Kubernetes 等工具容器化和部署模型。
• 對已部署的模型實施監控和日誌記錄。
• 在實際場景中優化模型以實現延遲和可擴充性。

這種由講師指導的 香港 現場現場培訓（在線或現場）面向希望獲得為關鍵財務任務定製 AI 模型的實用技能的中級專業人士。

在本次培訓結束時，參與者將能夠：

• 瞭解財務應用程式微調的基礎知識。
• 利用預先訓練的模型執行財務領域特定的任務。
• 應用欺詐檢測、風險評估和財務建議生成技術。
• 確保遵守 GDPR 和 SOX 等財務法規。
• 在金融應用程式中實施數據安全和合乎道德的 AI 實踐。

這種由講師指導的 香港 現場培訓（在線或現場）面向希望為特定任務和數據集自定義預訓練模型的中高級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解微調的原理及其應用。
• 準備數據集以微調預訓練模型。
• 為 NLP 任務微調大型語言模型 （LLM）。
• 優化模型性能並解決常見挑戰。

這種由講師指導的 香港 現場培訓（在線或現場）面向希望掌握創新 AI 解決方案的多模態模型微調的高級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解 CLIP 和 Flamingo 等多模態模型的架構。
• 有效地準備和預處理多模態數據集。
• 針對特定任務微調多模態模型。
• 針對實際應用程式和性能優化模型。

這種由講師指導的 香港 現場培訓（在線或現場）面向希望通過有效微調預先訓練的語言模型來增強其 NLP 專案的中級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解 NLP 任務微調的基礎知識。
• 針對特定的 NLP 應用程式微調預訓練模型，例如 GPT、BERT 和 T5。
• 優化超參數以提高模型性能。
• 在實際場景中評估和部署微調的模型。

這項 香港（在線或現場）的教學型現場培訓旨在對希望微調DeepSeek LLM 模型以創建針對特定行業、領域或業務需求量身定制的專門 AI 應用程序的高級 AI 研究人員、機器學習工程師和開發人員進行培訓。

培訓結束時，參與者將能夠：

• 了解DeepSeek模型的架構和能力，包括DeepSeek-R1和DeepSeek-V3。
• 準備數據集並對數據進行預處理以進行微調。
• 對特定領域的應用程序進行微調DeepSeek LLM。
• 有效地優化和部署微調的模型。

本課程為講師指導的香港（線上或線下）培訓，適合中高級機器學習工程師、AI開發者和數據科學家，旨在學習如何使用QLoRA高效微調大型模型，以適應特定任務和定制需求。

在培訓結束時，學員將能夠：

• 理解QLoRA背後的理論以及大型語言模型的量化技術。
• 在特定領域應用中，使用QLoRA微調大型語言模型。
• 利用量化技術，在有限計算資源下優化微調性能。
• 高效部署並評估微調模型在實際應用中的表現。

這是一個由講師指導的香港（線上或線下）培訓課程，針對中級機器學習從業者和AI開發者，他們希望微調並部署如LLaMA、Mistral和Qwen等開放權重模型，以用於特定的業務或內部應用。

在培訓結束時，參與者將能夠：

• 理解開源LLM的生態系統及其差異。
• 為LLaMA、Mistral和Qwen等模型準備數據集和微調配置。
• 使用Hugging Face Transformers和PEFT執行微調管道。
• 在安全環境中評估、保存和部署微調後的模型。

這門由講師指導的香港（線上或線下）培訓課程，旨在針對中級NLP工程師和知識管理團隊，幫助他們微調RAG管道，以提升在問答、企業搜索和摘要生成等應用場景中的性能。

在培訓結束時，參與者將能夠：

• 理解RAG系統的架構和工作流程。
• 針對特定領域數據微調檢索器和生成器組件。
• 評估RAG性能，並通過PEFT技術進行改進。
• 部署優化的RAG系統，用於內部或生產環境。

這門由講師指導的香港（線上或線下）培訓課程，針對高階機器學習工程師和AI研究人員，旨在教授如何應用RLHF來微調大型AI模型，以實現卓越的性能、安全性和一致性。

在培訓結束時，學員將能夠：

• 理解RLHF的理論基礎，以及它在現代AI開發中的重要性。
• 基於人類反饋實施獎勵模型，以指導強化學習過程。
• 使用RLHF技術微調大型語言模型，使輸出與人類偏好一致。
• 應用最佳實踐，擴展RLHF工作流程，以適用於生產級AI系統。

This instructor-led, live training in 香港 (online or onsite) is aimed at advanced-level computer vision engineers and AI developers who wish to fine-tune VLMs such as CLIP and Flamingo to improve performance on industry-specific visual-text tasks.

By the end of this training, participants will be able to:

• Understand the architecture and pretraining methods of vision-language models.
• Fine-tune VLMs for classification, retrieval, captioning, or multimodal QA.
• Prepare datasets and apply PEFT strategies to reduce resource usage.
• Evaluate and deploy customized VLMs in production environments.

這種由講師指導的現場培訓<現場>（在線或現場）面向希望掌握優化大型模型的技術，以便在實際場景中進行經濟高效的微調的高級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解微調大型模型的挑戰。
• 將分散式訓練技術應用於大型模型。
• 利用模型量化和修剪提高效率。
• 優化微調任務的硬體利用率。
• 在生產環境中有效地部署微調的模型。

這種由講師指導的 香港 現場培訓（在線或現場）面向希望利用快速工程和少量學習的力量來優化實際應用的 LLM 性能的中級專業人士。

在本次培訓結束時，參與者將能夠：

• 瞭解快速工程和小樣本學習的原則。
• 為各種 NLP 任務設計有效的提示。
• 利用小樣本技術以最少的數據調整 LLM。
• 針對實際應用優化 LLM 性能。

這是由講師指導的香港（線上或線下）培訓，旨在幫助中級數據科學家和AI工程師，使用LoRA、Adapter Tuning和Prefix Tuning等方法，以更經濟高效的方式微調大型語言模型。

在培訓結束時，參與者將能夠：

• 理解參數高效微調方法背後的理論。
• 使用Hugging Face PEFT實現LoRA、Adapter Tuning和Prefix Tuning。
• 比較PEFT方法與完整微調的性能和成本權衡。
• 部署和擴展微調後的LLM，並減少計算和存儲需求。