1. 课程简介
从生成图像和文本到生成音乐和艺术，生成模型一直是人工智能的关键挑战之一。本课程将探讨推动生成模型和基础模型（Foundation Models）最近进展的机器学习和人工智能技术。学生将学习、开发并应用最先进的算法，使机器能够生成逼真且富有创意的内容。核心主题包括：学习的基本机制；如何构建生成模型及其他大型基础模型（例如，视觉和语言的 Transformer，扩散模型） ；如何训练这些模型（预训练，微调）并有效地调整它们（适配器、上下文学习）；如何扩展到大规模数据集（多 GPU/分布式优化）；如何将现有模型用于日常任务（生成代码、使用生成模型进行代码编写）。学生还将探讨其内在工作机制的理论基础和经验研究，了解模型可能出现的问题（偏见、幻觉、对抗攻击、数据污染）及应对这些问题的方法。本课程不仅通过实现帮助学生理解现代技术，还将使用现有的库和模型，探索生成模型的能力及其局限性。本课程适合已完成机器学习或深度学习入门课程的学生。
https://www.cs.cmu.edu/\~mgormley/courses/10423/
学习成果：
课程结束后，学生应能够：
-
区分不同的学习机制，如参数调整和上下文学习。
-
实现现代生成建模方法的基础模型，如 Transformer 和扩散模型。
-
将现有模型应用于文本、代码、图像、音频和视频的实际生成问题。
-
使用技术来调整基础模型，完成任务如微调、适配器和上下文学习。
-
使生成建模方法能够扩展到大型文本、代码或图像数据集。
-
使用现有生成模型解决实际的判别问题及其他日常用例。
-
分析大规模基础模型的理论属性。
-
识别不同模态生成模型可能出现的问题。
-
描述大规模生成 AI 系统的社会影响。
有关所涵盖主题的更多详细信息，请参见课程时间表页面。
2. 先修要求
参加本课程的学生应具备机器学习或深度学习入门课程的工作知识，需修完以下课程之一（10301 或 10315 或 10601 或 10701 或 10715 或 11485 或 11685 或 11785）。
必须严格遵守这些先修要求！ 即使卡内基梅隆大学（CMU）的注册系统未阻止你注册此课程，仍有责任确保你在注册前具备所有先修要求。
讲者：
课程内容
文本生成式模型 Generative models of text
-
循环神经网络与语言建模 RNN LMs / Autodiff
-
Transformer LMs
-
学习LLMs 编码 Learning LLMs / Decoding
-
预训练、微调 Pre-training, fine-tuning / Modern Transformers / CNNs
图像生成式模型 Generative models of Images
Lecture 6 : Generative Adversarial Networks (GANs) / VAEs / PGM
Lecture 7 : Variational Inference / Variational Autoencoders (VAEs)
Lecture 8 : Diffusion models (Part I)
应用适配基础模型 Applying and adapting foundation models
Lecture 9 : Diffusion models (Part II) / In-context learning for text & for vision
Lecture 10 : Parameter-efficient fine tuning
Lecture 11 : Reinforcement learning with human feedback (RLHF)
多模态大模型 Multimodal foundation models
Lecture 12 : Text-to-image generation / Aligning multimodal representations (CLIP)
Lecture 13 : Prompt-to-Prompt
Lecture 14 : Visual-language models
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 "AI会取代那些行业？""谁的饭碗又将不保了？"等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑......
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码 领取🆓**↓↓↓**
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码 领取🆓**↓↓↓**