fast.ai
fast.ai là gì?
fast.ai là một trang web cung cấp các khóa học và tài liệu về deep learning, machine learning và artificial intelligence (AI) thực tế. Nó tập trung vào việc làm cho neural network dễ tiếp cận và dễ hiểu đối với mọi người, bất kể kiến thức kỹ thuật của họ. Trang web cung cấp một loạt các khóa học, hướng dẫn và bài viết về các chủ đề khác nhau trong lĩnh vực AI và machine learning.
Làm cách nào để sử dụng fast.ai?
Để sử dụng fast.ai, bạn có thể bắt đầu bằng cách khám phá các khóa học và tài liệu giáo dục của họ. Họ cung cấp các khóa học deep learning thực tế dành cho lập trình viên, nơi bạn có thể học cách xây dựng và huấn luyện neural network bằng các framework phổ biến như PyTorch. Bên cạnh đó, bạn có thể truy cập vào blog của họ, nơi có các bài viết về đạo đức AI, tiến bộ kỹ thuật và ứng dụng thực tế. Trang web cũng cung cấp các tài liệu và công cụ hữu ích cho các nhà khoa học dữ liệu.
Các tính năng cốt lõi của fast.ai
Các khóa học Practical Deep Learning dành cho lập trình viên
Các hướng dẫn và bài viết về Machine Learning và AI
Blog với các bài viết về đạo đức AI, tiến bộ kỹ thuật và ứng dụng thực tế
Các tài liệu và công cụ hỗ trợ cho các nhà khoa học dữ liệu
Tài liệu giáo dục về deep learning, machine learning và AI
Trường hợp sử dụng của fast.ai
Học các kỹ thuật deep learning và machine learning thực tế
Khám phá đạo đức và tiến bộ của AI
Triển khai AI và machine learning trong các ứng dụng thực tế
Truy cập vào tài nguyên và công cụ dành cho các nhà khoa học dữ liệu
Câu hỏi thường gặp từ fast.ai
fast.ai cung cấp những khóa học nào?
Blog của fast.ai đề cập đến những chủ đề nào?
Có những tài nguyên nào dành cho nhà khoa học dữ liệu trên fast.ai?
Người mới bắt đầu không có kiến thức kỹ thuật có thể sử dụng fast.ai không?
Công ty fast.ai
Tìm hiểu thêm về fast.ai, Vui lòng truy cập trang giới thiệu về chúng tôi(https://www.fast.ai/about.html) .
Twitter fast.ai
Liên kết Twitter fast.ai: https://twitter.com/fastdotai
Github fast.ai
Liên kết Github fast.ai: https://github.com/fastai
fast.ai Bài đánh giá (0)
Phân tích của fast.ai
fast.ai Phân tích lưu lượng truy cập trang web
dòng chảy địa lý
Top 5 Regions
fast.ai Khởi chạy nhúng
Sử dụng huy hiệu trang web để thu hút sự ủng hộ từ cộng đồng cho buổi ra mắt Toolify của bạn. Chúng dễ dàng nhúng vào trang chủ hoặc chân trang của bạn.
Sự thay thế của fast.ai
16.07%Nội dung khác về fast.ai
11 Ứng dụng Hấp Dẫn của Mạng Nơ-ron trong Cuộc Sống Hằng Ngày
Được đăng vào Có thể 14 2024 bởi Theodore
Khám phá 11 ứng dụng mạng nơ-ron hấp dẫn trong cuộc sống hàng ngày!
10 Bài Học Cần Thiết để Thạo Việc Mới
Được đăng vào Có thể 17 2024 bởi Elodie
Mở khóa Bậc Thầy: 10 Hướng dẫn cần thiết để thống trị kỹ năng!
Lắng nghe mạng xã hội
A Hackers' Guide to Language Models
In this deeply informative video, Jeremy Howard, co-founder of fast.ai and creator of the ULMFiT approach on which all modern language models (LMs) are based, takes you on a comprehensive journey through the fascinating landscape of LMs. Starting with the foundational concepts, Jeremy introduces the architecture and mechanics that make these AI systems tick. He then delves into critical evaluations of GPT-4, illuminates practical uses of language models in code writing and data analysis, and offers hands-on tips for working with the OpenAI API. The video also provides expert guidance on technical topics such as fine-tuning, decoding tokens, and running private instances of GPT models. As we move further into the intricacies, Jeremy unpacks advanced strategies for model testing and optimization, utilizing tools like GPTQ and Hugging Face Transformers. He also explores the potential of specialized datasets like Orca and Platypus for fine-tuning and discusses cutting-edge trends in Retrieval Augmented Generation and information retrieval. Whether you're new to the field or an established professional, this presentation offers a wealth of insights to help you navigate the ever-evolving world of language models. (The above summary was, of course, created by an LLM!) For the notebook used in this talk, see https://github.com/fastai/lm-hackers. 00:00:00 Introduction & Basic Ideas of Language Models 00:18:05 Limitations & Capabilities of GPT-4 00:31:28 AI Applications in Code Writing, Data Analysis & OCR 00:38:50 Practical Tips on Using OpenAI API 00:46:36 Creating a Code Interpreter with Function Calling 00:51:57 Using Local Language Models & GPU Options 00:59:33 Fine-Tuning Models & Decoding Tokens 01:05:37 Testing & Optimizing Models 01:10:32 Retrieval Augmented Generation 01:20:08 Fine-Tuning Models 01:26:00 Running Models on Macs 01:27:42 Llama.cpp & Its Cross-Platform Abilities This is an extended version of the keynote given at posit::conf(2023). Thanks to @wolpumba4099 for chapter titles.
Agentic RAG Explained - Build Your Own AI Agent System from scratch! (Step-by-step code)
🤔 Looking for using AI Agents with RAG? In this episode, join Angelina and Mehdi, for a discussion about Agentic RAG. Who's Angelina: VP of AI and data, Co-founder of Transform AI Studio, two-time fast.ai fellows under Jeremy Howard, published author. https://www.linkedin.com/in/MeetAngelina/ Who's Mehdi: Professor of Computer Science, Co-founder and Chief AI Engineer at Transform AI Studio, NSF fellow, published author. https://www.linkedin.com/in/mehdiallahyari/ What You'll Learn: 🔎 System architecture of Agentic RAG 🚀 Components of an Agentic RAG system: LLM, memory, tools 🛠 Implementing Agentic RAG from scratch vs using frameworks like LangChain ✏️ In This Episode: 00:00 Intro 00:56 What's AI Agent 03:02 Basic architecture for Agentic RAG 09:27 LangChain Code 10:12 Implementation without frameworks 23:17 Minimizing dependencies 📝 Course survey: https://maven.com/forms/e48159 🗓️ Course landing page: https://maven.com/angelina-yang/mastering-rag-systems-a-hands-on-guide-to-production-ready-ai Implementation: https://github.com/mallahyari/twosetai/blob/main/13_agentic_rag.ipynb 🦄 Any specific contents you wish to learn from us? Sign up here: https://noteforms.com/forms/twosetai-youtube-content-sqezrz 🧰 Our video editing tool is this one!: https://get.descript.com/nf5cum9nj1m8 🔨 Implementation: coming soon 📬 Don't miss out on the latest updates - Subscribe to our newsletter: https://mlnotes.substack.com/ 📚 If you'd like to learn more about RAG systems, check out our book on the RAG system: https://angelinamagr.gumroad.com/ 🕴️ Our consulting firm: We help companies that don't want to miss the boat of the current wave of AI advancement by integrating these solutions into their business operations and products. https://www.transformaistudio.com/ Stay tuned for more content! 🎥 Thanks you for watching! 🙌
How Contextual Retrieval Elevates Your RAG to the Next Level
🤔 Looking to enhance your RAG performance? Before we dive in, we have some exciting news! Our RAG live course is coming up soon, and as a way of giving back to our amazing community, we're offering you 15% off. Just use this link: https://maven.com/angelina-yang/mastering-rag-systems-a-hands-on-guide-to-production-ready-ai?promoCode=TwoSetAI We'd love to see you there! 🎉 In the course, you'll have the chance to connect directly with Professor Mehdi (just like I do 😉 in the videos), and you can even ask him your questions 1:1. Bring your real work projects, and during our office hours, we'll help you tackle your day-to-day challenges. This course is for: 01 👇 𝗔𝗜 𝗘𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝘀 & 𝗗𝗲𝘃𝗲𝗹𝗼𝗽𝗲𝗿𝘀: For AI engineers/developers looking to master production-ready RAG systems combining search with AI models. 02 👇 𝗗𝗮𝘁𝗮 𝗦𝗰𝗶𝗲𝗻𝘁𝗶𝘀𝘁𝘀: Ideal for data scientists seeking to expand into AI by learning hands-on RAG techniques for real-world applications. 03 👇 𝗧𝗲𝗰𝗵 𝗟𝗲𝗮𝗱𝘀 & 𝗣𝗿𝗼𝗱𝘂𝗰𝘁 𝗠𝗮𝗻𝗮𝗴𝗲𝗿𝘀: Perfect for tech leads/product managers wanting to guide teams in building and deploying scalable RAG systems In this episode, Mehdi and Angelina introduce the concept of contextual retrieval in Retrieval-Augmented Generation (RAG). We compare it to traditional retrieval methods and discuss how this new approach by Anthropic can significantly reduce retrieval failures by up to 70%. The episode explains the importance of context for Language Learning Models (LLMs) and describes how contextual retrieval enriches document chunks with additional information for improved accuracy. We presents details of the the implementation process, cost considerations, and provide results from Anthropic's experiments showing how contextual retrieval decreases retrieval errors and enhances precision. Who's Angelina: VP of AI and data, Co-founder of Transform AI Studio, two-time fast.ai fellows under Jeremy Howard, published author. https://www.linkedin.com/in/MeetAngelina/ Who's Mehdi: Professor of Computer Science, Co-founder and Chief AI Engineer at Transform AI Studio, NSF fellow, published author. https://www.linkedin.com/in/mehdiallahyari/ What you’ll learn🤓: 🔎 How contextual retrieval works 🚀 Performance and implementation considerations 🛠 Cost considerations and using prompt caching ✏️ In This Episode: 00:00 Introduction to Contextual Retrieval in RAG 00:29 Understanding Contextual Retrieval 02:59 Challenges with Traditional RAG 05:45 Anthropic's Contextual Retrieval Solution 12:54 Implementation and Cost Considerations 15:44 Experimental Results and Recommendations 18:45 Conclusion and Upcoming Course Announcement 🦄 Any specific contents you wish to learn from us? Sign up here: https://noteforms.com/forms/twosetai-youtube-content-sqezrz 🧰 Our video editing tool is this one!: https://get.descript.com/nf5cum9nj1m8 🖼️ Blogpost for today: 🔨 Implementation: 📬 Don't miss out on the latest updates - Subscribe to our newsletter: https://mlnotes.substack.com/ 📚 If you'd like to learn more about RAG systems, check out our book on the RAG system: https://angelinamagr.gumroad.com/ 🕴️ Our consulting firm: We help companies that don't want to miss the boat of the current wave of AI advancement by integrating these solutions into their business operations and products. https://www.transformaistudio.com/ Stay tuned for more content! 🎥 Thanks you for watching! 🙌
Tổng cộng có 151 dữ liệu mạng xã hội cần được mở khóa để xem