List of topics

Cách chạy các Demo

Sử dụng API liên quan tới văn bản

Kỹ thuật Prompt Engineering

Sử dụng API liên quan tới hình ảnh

Docker + Cloud

Sử dụng mô hình có sẵn

Deploy riêng mô hình với Docker + Cloud

RAG và xây dựng hệ thống Chatbot hiện đại

[Bổ trợ thêm] MongoDB + Crawl dữ liệu

Thực hành Langchain + LLAMA Index + Học sâu về Chunking

Lập trình giao diện

Sử dụng API liên quan tới âm thanh + Video

Thực hành đào tạo mô hình riêng của bạn

Dự án - 2 tuần

Thực hành đào tạo mô hình riêng của bạn

Tự đào tạo mô hình GPT
Tự đào tạo mô hình LLAMA
Cách đào tạo phân tán

1. Foundation - Training a ML model

1.1. Guide

Prompt -> LLMs sinh ra các văn bản tương tự
- Tôi tên là Ngọc. Chào Ngọc, tôi có thể giúp gì cho bạn.

import random

# List of random names
names = ["Ngọc", "Mai", "An", "Bảo", "Minh", "Linh", "Thảo", "Tuấn", "Huy", "Quân", 
         "Duy", "Phúc", "Vy", "Trang", "Khanh", "Vân", "Phương", "Hà", "Nam", "Thịnh",
         "Sơn", "Lan", "Hùng", "Diễm", "Khánh", "Giang", "Thu", "Nhung", "Tâm", "Bích"]

# List to store the 100 samples
samples = []

# Generate 100 samples with different names
for _ in range(100):
    name = random.choice(names)
    prompt = f"Tôi tên là {name}."
    response = f"Chào {name}, tôi có thể giúp gì cho bạn."
    samples.append((prompt, response))

# Display the list of 100 samples
samples

Dùng một model nhỏ để train văn bản này.

2. Thực hành đào tạo NanoGPT

2.1. Notebook

Notebook: https://colab.research.google.com/drive/12pBEsRL9awiixOQBZxa-QDjK4ZCnWRlZ?usp=sharing

3. Đào tạo mô hình ngôn ngữ trên Tiếng Việt

3.1. Code load dữ liệu

Description

3.2. Code đào tạo