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🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

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🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​