精通 LLM：ChatGPT、Gemini、Claude、Llama3、OpenAI 和 API

AI-Agents基礎：OpenAI API、Gemini API、開源LLM、GPT-4o、RAG、LangChain Apps、Colab、Prompt Engineering

從這 20 小時的課程，你會學到

LLM ( Large Language Model ，大型語言模型 )的功能：參數、權重、推理和神經網絡
了解神經網絡
LLM 中使用代幣( Tokens )運行神經網路
轉變架構與專家組合
輔助模型的微調與創建
LLM 中的強化學習 (Reinforcement Learning，RLHF)
LLM 擴展法則( Scaling Laws )：GPU 與資料的改進
LLM 的能力與未來發展
LLM 使用的工具：計算器、Python 庫等
LLM 的多模態與視覺處理
電影《她》中的語言多模態
LLM 的系統思考與未來前景
AlphaGo之後的自我完善（Self-Improvement）
改進的可能性：提示( Prompts )、RAG 和定制
提示工程( Prompt Engineering )：透過思想鏈和思想樹提示等有效利用 LLM
透過系統提示調整 LLM 並使用 ChatGPT 記憶體進行個人化
具有 RAG 和 GPT 的長期記憶
GPT 商店：您需要了解的一切
使用 GPT 進行資料分析、PDF 或俄羅斯方塊編程
RAG 的嵌入與向量資料庫
將 Zapier 操作整合到 GPT 中
開源 vs. 開源閉源 LLM
API基礎知識
Google Gemini API 和 Claude API 的使用
Microsoft Copilot 及其在 Microsoft 365 的使用
GitHub Copilot：程式設計師的解決方案
OpenAI API：功能、定價模型以及您需要了解的有關 OpenAI API 的所有資訊（包括應用程式創建）
用於 OpenAI API 呼叫的 Google Colab 簡介
使用 Langchain、Flowise、Vectorshift、LangGraph、CrewAI、Autogen、Langflow 等創建人工智慧應用程式和聊天機器人
使用 Agency Swarm 和 Langchain Agents 創建用於各種任務的 AI 代理，例如社交媒體內容
LLM 的安全性：越獄和即時注射等
最佳 LLM 比較
標準介面中的 Google Gemini 和帶有 NotebookLM 的 Google Labs
Anthropic 的 Claude：概述
關於困惑與 POE 的一切
OpenAI Playground：LLM 的特點、計費帳戶和溫度
Google Gemini API：影片分析等
開源 LLM：Llama 3、Mixtral、Command R+ 等的模式與使用
HuggingChat：開源 LLM 的介面
與 Ollama 一起運行本地 LLM 並建造本地 Rag 聊天機器人
Groq：最快的 LPU 介面
安裝 LM Studio 以使用 Llama3 LLM 等本地開源軟體以實現最大程度的安全性
在 LM Studio 中使用開源模型以及審查與審查模型未經審查的 LLM
使用 Huggingface 微調開源模型
透過 Google Colab 中的 API 使用 Dall-E、Whisper、GPT-4o、Vision 等創建您自己的應用程式
適用於 AI 代理程式的 Microsoft Autogen
適用於人工智慧代理的 CrewAI
Flowise 與 LangChain 函數呼叫( Function Calling )
OpenAI Assistant API，具有在不同框架中呼叫 AI-Agent 的功能
Flowise 與開源 LLM 作為 ChatBot
LLM 的安全性和破解 LLM 的方法
LLM 作為機器人和 PC 作業系統的未來

要求

無需任何先驗知識，一切都會逐步顯示。

課程說明

您是否想過大型語言模型 (LLM) 如何改變世界並創造前所未有的機會？

「人工智慧不會搶走你的工作，但知道如何使用人工智慧的人可能會搶走你的工作，」Richard Baldwin
(理查德鮑德溫)說。

您準備好掌握 LLM 的複雜性並充分利用其在各種應用程式中的潛力（從資料分析到聊天機器人和人工智慧代理的創建）嗎？

那麼這門課程適合您！

深入研究「LLM 掌握：ChatGPT、Gemini、Claude、Llama3、OpenAI 和 API」 – 您將探索 LLM 的基本和高級概念、其架構和實際應用。轉變您的理解和技能，引領人工智慧革命。

本課程非常適合開發人員、資料科學家、人工智慧愛好者以及任何想要走在 LLM 技術尖端的人。無論您是想了解神經網路、微調人工智慧模型還是開發人工智慧驅動的應用程式，本課程都能滿足您所需的一切。

本課程的預期內容：

LLM 的綜合知識：

了解 LLM：了解參數、權重、推理和神經網路。
神經網路：了解神經網路如何在法學碩士中使用標記發揮作用。
Transformer 架構：探索 Transformer 架構和專家組合。
Fine-Tuning：了解Assistant模型的微調流程與發展。
強化學習 (Reinforcement Learning，RLHF)：利用人類回饋深入研究強化學習。

先進技術與未來趨勢：

擴展法則：了解 LLM 的擴展法則，包括 GPU 和資料改進。
LLM 的未來：探索 LLM 科技的能力與未來發展。
多模態處理：受《她》等電影的啟發，透過 LLM 了解多模態和視覺處理。

實務技能與應用：

工具利用：使用 LLM 的工具，如計算器和 Python 程式庫( libraries )。
系統思維：深入研究 LLM 的系統思維與未來前景。
自我提升：學習受 AlphaGo 啟發的自我提升方法。
最佳化技術：透過提示、RAG、函數呼叫和自訂來增強 LLM 效能。

提示工程( Prompt Engineering )：

進階提示：掌握思想鍊和思想樹提示等技巧。
客製化：使用系統提示自訂 LLM 並使用 ChatGPT 記憶體進行個人化。
長期記憶：實施 RAG 和 GPT 以獲得長期記憶功能。

API 和整合技能：

API 基礎：了解 API 使用的基礎知識，包括 OpenAI API、Google Gemini 和 Claude API。
Microsoft 和 GitHub Copilot：使用 365 中的 Microsoft Copilot 和 GitHub Copilot 進行程式設計。
精通 OpenAI API：使用 OpenAI API 探索功能、定價模型和應用程式創建。

人工智慧應用程式開發：

Google Colab：使用 Google Colab 學習對 OpenAI 的 API 呼叫。
AI 代理：在 Langgraph、Langflow、Vectorshift、Autogen、CrewAI、Flowise 等 LangChain 框架中為各種任務建立 AI 代理程式。
安全性：透過防止越獄和提示注入的方法來確保安全性。

比較見解：