Mô hình ngôn ngữ lớn, nhanh chóng nắm bắt những điểm cốt lõi!
Đây là khóa học dựa trên <Mô hình ngôn ngữ lớn, nhanh chóng nắm bắt những điểm cốt lõi!> (Insight, 2025), trình bày về lý thuyết và các ví dụ thực tiễn của LLM.
Tôi lo lắng khi xem vì chưa chuẩn bị kiến thức toán, nhưng thật tốt khi chỉ tóm tắt những điểm chính!
5.0
Park Ju Yeong
38% đã tham gia
Tôi đã hiểu được tự động vi phân mà trước đây chỉ biết một cách trừu tượng!
5.0
HuaZ
38% đã tham gia
Điều này giúp ích rất nhiều cho việc hiểu
Bạn sẽ nhận được điều này sau khi học.
Lịch sử và lý thuyết của mô hình ngôn ngữ
Các công nghệ ban đầu của mô hình ngôn ngữ như BoW và word embedding
Cấu trúc của mạng nơ-ron hồi quy (RNN) và huấn luyện mô hình ngôn ngữ sử dụng RNN
Các cấu trúc cốt lõi tạo nên Transformer (self-attention, perceptron đa tầng, nhúng vị trí xoay, bộ nhớ đệm key-value)
Tinh chỉnh mô hình ngôn ngữ lớn và các chiến lược lấy mẫu token đa dạng
LoRA, kỹ thuật thiết kế prompt — các phương pháp tinh chỉnh hiệu quả tham số
Tin giảm giá
<Học Deep Learning từ nhà sáng lập Keras, phiên bản 3> thửthách(https://inf.run/DPba3), nếu đăng ký, bạn sẽ nhận được phiếu giảm giá 50% cho khóa học này!
Giới thiệu sách
Lược bỏ lý thuyết phức tạp, chỉ chắt lọc những nội dung cốt lõi cần thiết!
Cẩm nang cô đọng nhất để nắm vững mô hình hóa ngôn ngữ
Cuốn sách này là phần tiếp theo của cuốn sách bán chạy 《Học máy, chỉ cần nắm vững những điểm cốt lõi!》 của Andriy Burkov, trình bày súc tích nhưng toàn diện về các mô hình ngôn ngữ lớn (LLM) hiện đại, bắt đầu từ những kiến thức cơ bản về mô hình hóa ngôn ngữ. Thông qua cuốn sách, độc giả có thể học một cách có hệ thống từ nền tảng toán học của học máy hiện đại và mạng nơ-ron, cách triển khai các phương pháp đếm bằng Python, mô hình ngôn ngữ dựa trên RNN, Transformer tự xây dựng bằng PyTorch, cho đến thực hành LLM (tinh chỉnh có chỉ dẫn, kỹ thuật thiết kế prompt).
Cuốn sách này được biên soạn theo hướng thực hành, dựa trên mã Python có thể chạy được và môi trường Google Colab, giúp bất kỳ ai cũng có thể từng bước làm theo và mở rộng hiểu biết. Sách giải thích quá trình mô hình ngôn ngữ phát triển từ những thống kê n-gram đơn giản thành công nghệ cốt lõi của AI ngày nay, bắt đầu từ các phương pháp dựa trên việc đếm cho đến kiến trúc Transformer hiện đại nhất, đồng thời trình bày cả nguyên lý lẫn cách triển khai. Mỗi chương đều phát triển dần dựa trên nội dung trước đó, giúp người đọc dễ dàng nắm bắt ngay cả những khái niệm phức tạp thông qua phần giải thích rõ ràng, hình minh họa và các bài thực hành.
Lời giới thiệu荐 sách
“Cuốn sách này giúp làm sáng tỏ những nhầm lẫn về mặt khái niệm liên quan đến cách học máy thực sự vận hành. Đây là một cuốn sách quý như viên ngọc, trình bày về học máy một cách rõ ràng.” - Vint Cerf (người tiên phong trong lĩnh vực Internet và người đoạt giải Turing)
“Đây là điểm khởi đầu tuyệt vời cho những ai mới bước chân vào lĩnh vực mô hình hóa ngôn ngữ và muốn tiến tới những gì tiên tiến nhất.” - Toma? Mikolov (nhà phát triển word2vec và FastText)
“Andrej vẽ nên hành trình từ những kiến thức cơ bản về đại số tuyến tính đến việc triển khai Transformer bằng hơn 100 nét cọ tuyệt đẹp.” - Florian Douetteau (đồng sáng lập kiêm CEO của Dataiku)
“Một trong những cẩm nang toàn diện nhưng súc tích nhất để hiểu sâu về nguyên lý hoạt động bên trong của LLM.” - Jerry Liu (đồng sáng lập kiêm CEO của LlamaIndex)
“Anh ấy có tài năng gần như siêu nhiên trong việc thu nhỏ những khái niệm AI khổng lồ thành những phần vừa miệng, khiến độc giả cảm thấy ‘Giờ thì tôi hiểu rồi!’” - Jorge Torres (Jorge Torres) (CEO của MindsDB)
Tôi học chuyên ngành kỹ thuật cơ khí, nhưng sau khi tốt nghiệp, tôi一直 làm công việc đọc và viết mã. Tôi là GDE về Google AI/Cloud. Tôi vận hành blog TensorFlow (tensorflow.blog), đồng thời viết và dịch sách về học máy và học sâu, qua đó khám phá đầy hứng thú ranh giới giữa phần mềm và khoa học.
Đã viết 『Học deep learning bằng cách tự mình xây dựng』(Hanbit Media, 2025), 『Tự học machine learning + deep learning (bản sửa đổi)』(Hanbit Media, 2025), 『Tự học phân tích dữ liệu với Python』(Hanbit Media, 2023), 『Kỹ năng trò chuyện bằng ChatGPT』(Hanbit Media, 2023) và 『Do it! Nhập môn deep learning』(Easyspublishing, 2019).
『Học máy thực hành với scikit-learn, PyTorch』(Hanbit Media, 2026), 『Học deep learning từ nhà sáng lập Keras (lần 3)』(Gilbut, 2026),『Fine-tuning LLM, nhanh chóng nắm phần cốt lõi!』(Insight, 2026), 『Học LLM & AI với PyTorch』(Hanbit Media, 2026), 『Mô hình ngôn ngữ lớn, nhanh chóng nắm phần cốt lõi!』(Insight, 2025), 『Machine learning, nhanh chóng nắm phần cốt lõi!』(Insight, 2025), 『Học LLM bằng cách xây dựng từ đầu』(Gilbut, 2025), 『LLM thực hành』(Hanbit Media, 2025), 『Machine Learning Q & AI』(Gilbut, 2025), 『Toán học dành cho nhà phát triển』(Hanbit Media, 2024), 『Giải quyết vấn đề ML trong thực tiễn với Python』(Hanbit Media, 2024), 『Giáo trình machine learning: phiên bản PyTorch』(Gilbut, 2023), 『Bài giảng ChatGPT của Stephen Wolfram』(Hanbit Media, 2023), 『Học máy thực hành, phiên bản 3』(Hanbit Media, 2023), 『Học deep learning tạo sinh bằng cách xây dựng, phiên bản 2』(Hanbit Media, 2023), 『Đánh thức bộ não lập trình bằng Python』(Hanbit Media, 2023), 『Xử lý ngôn ngữ tự nhiên với Transformer』(Hanbit Media, 2022), 『Học deep learning từ nhà sáng lập Keras, phiên bản 2』(Gilbut, 2022), 『Machine learning & deep learning dành cho nhà phát triển』(Hanbit Media, 2022), 『Gradient boosting với XGBoost và scikit-learn』(Hanbit Media, 2022), 『Học deep learning với đội ngũ Google Brain bằng TensorFlow.js』(Gilbut, 2022), 『Machine learning với các thư viện Python (phiên bản sửa đổi lần 2)』(Hanbit Media, 2022), cùng hàng chục cuốn sách khác, đã được dịch sang tiếng Hàn.