- NVIDIA Deep Learning Institute - Education and training solutions to solve the world’s greatest challenges
- Learning Paths for Developers and Administrators. [PDF]
- Course Detail - 這個免費課程有證書可以拿哦 :-)
- Learn New Technical Skills - Free NVIDIA Deep Learning Institute (DLI) courses for beginners.
-
Generative AI Explained / 解釋生成式 AI
課程內容:
- 生成式 AI 的定義、工作原理
- 各種生成式 AI 應用
- 生成式 AI 的挑戰和機會
課前要求:對機器學習和深度學習有基本的瞭解。
-
Building A Brain in 10 Minutes / 10 分鐘內構建「大腦」
課程內容:
- 神經網路如何使用資料進行學習
- 神經元背後的數學原理
課前要求:
- 瞭解 Python 3 中的基本程式設計概念,如函式、迴圈、字典和陣列;
- 瞭解如何計算迴歸線。
-
Augment your LLM Using Retrieval Augmented Generation / 使用 RAG 增強 LLM 性能
課程內容:
- RAG 基礎知識
- RAG 檢索過程
- NVIDIA AI 基礎和 RAG 模型元件
-
Building RAG Agents with LLMs / 使用 LLM 構建 RAG 智慧體
課程內容:
- 探索 LLM 和向量資料庫的可擴充套件部署策略
- 學習微服務知識,掌握如何在微服務之間協作以及如何開發屬於自己的微服務
- 利用 LangChain 正規化來開發對話管理和文件檢索解決方案
- 用最先進的模型練習,明確有關產品化和框架探索的後續步驟
適合熟悉 LLM 及其相關組合框架 (如 LangChain),具有中級 Python 水準,最好具備網路工程和開發維運背景。
-
Accelerate Data Science Workflows with Zero Code Changes / 零程式碼更改加速資料科學工作流
課程內容:
- 瞭解跨 CPU 和 GPU 的制式工作流在資料科學任務中的優勢
- 學習如何在不更改程式碼的情況下,利用 GPU 加速各種資料處理和機器學習工作流程
- 體驗當工作流程透過 GPU 加速時,處理時間顯著縮短的效果
課前要求:
- 對表格資料上的資料處理和標準資料科學工作流程有基本的理解
- 有使用常見 Python 資料分析庫的經驗
- 使用過 NVIDIA RAPIDS (cuDF, cuML, cuGraph)、pandas、scikit-learn 和 NetworkX
-
How to Perform Large-Scale Image Classification / 如何進行大規模影像分類
課程內容:如何進行大規模影像分類,涵蓋挑戰、建模技術和驗證策略。
適合資料科學家、機器學習從業者以及對深度學習感興趣的人觀看。
-
Mastering Recommender Systems / 掌握推薦系統
課程內容:NVIDIA Kaggle Grandmasters 構建電子商務推薦系統的策略, 內容涵蓋 2 階段模型、候選模型生成、特徵工程和整合方法。
適合資料科學家、機器學習工程師以及對推薦系統和資料科學感興趣的人觀看。
-
Introduction to AI in the Data Center / 資料中心的 AI
課程內容:
- AI 案例、機器學習、深度學習及其工作流程
- GPU 架構及其對 AI 的影響
- 深度學習框架和部署注意事項
-
Introduction to Networking / 網路技術入門
課程內容:
- 瞭解網路及其重要性。
- 探索乙太網基礎知識及乙太網網路中的資料轉發。
- 討論網路元件、需求、OSI 模型、TCP/IP 協議。
- Mastering GitHub Copilot for AI Paired Programming
- Multi GPU Programming Models
- nvCOMP docs and examples
- NVIDIA AI Workbench
- How to customize a Stable Diffusion XL (SDXL) model
- How to fine-tune a Llama v2 7B large language model
- How to p-tune and prompt tune a NeMo-Megatron LLM using the NeMo Framework
- How to train a Large Language Model to annotate large sections of text with realistic punctuation and capitalization using the NeMo Framework
- Short introduction of the cuDF library
- Short introduction of the cuML library
- NVIDIA BioNeMo Examples
- NVIDIA Deep Learning Examples for Tensor Cores
- NVIDIA Generative AI Examples
- NVIDIA Grace CPU Benchmarking Guide
- OptiX Toolkit (OTK) Examples
- RAPIDS Accelerator for Apache Spark examples
- 100 Days of ML Coding
- RAG using Llama 3 by Meta AI
In this studio we are building a completely self-hosted "Chat with your Docs" RAG application using Llama-3, served locally through Ollama. - RAG Techniques
內容涵蓋各種先進的 RAG 技術,採用範例程式碼(LangChain、LlamaIndex)來詳細解說每個技術的核心概念 - GenAI Agents
提供了從基礎到高級的各種生成式 AI 代理技術的教學和實作 - Transformers Tutorials
這份線上教學手冊是 Niels Rogge 所收集的 40 多種各式各樣的任務模型/演算法的程式範例 - Umar Jamil 的機器學習教學影片
- Ilya Sutskever 的機器學習推薦清單
- Stanford CS229 | Machine Learning | Building Large Language Models (LLMs)
- LLM Twin Course: Building Your Production-Ready AI Replica
- End-to-end LLM Workflows Guide
- A Survey of Large Language Models
- A Comprehensive Overview of Large Language Models
- A Comprehensive Survey of LLM Alignment Techniques: RLHF, RLAIF, PPO, DPO and More
- Foundational Challenges in Assuring Alignment and Safety of Large Language Models
- Awesome Generative AI Guide
- OpenAI Cookbook
- The three-part series on how Imbue trained their 70B model
- Training a 70B model from scratch: open-source tools, evaluation datasets, and learnings
- Sanitized open-source datasets for natural language and code understanding: how we evaluated our 70B model
- From bare metal to a 70B model: infrastructure set-up and scripts
- Open-sourcing CARBS: how we used our hyperparameter optimizer to scale up to a 70B-parameter language model
- Andrej Karpathy
Misc.