Ti Jiang
Учасник із 2023
Золота ліга
Кількість балів: 2404
Google DeepMind: 02 Represent Your Language Data
Earned січ. 19, 2026 EST
Google DeepMind: 01 Build Your Own Small Language Model
Earned січ. 5, 2026 EST
Transformer Models and BERT Model
Earned черв. 12, 2023 EDT
Attention Mechanism
Earned черв. 12, 2023 EDT
Encoder-Decoder Architecture
Earned черв. 12, 2023 EDT
Introduction to Image Generation
Earned черв. 11, 2023 EDT
Generative AI Fundamentals - Українська
Earned черв. 9, 2023 EDT
Introduction to Responsible AI - Українська
Earned черв. 9, 2023 EDT
Introduction to Large Language Models - Українська
Earned черв. 8, 2023 EDT
Introduction to Generative AI - Українська
Earned черв. 7, 2023 EDT
In this Google DeepMind course you will learn how to prepare text data for language models to process. You will investigate the tools and techniques used to prepare, structure, and represent text data for language models, with a focus on tokenization and embeddings. You will be encouraged to think critically about the decisions behind data preparation, and what biases within the data may be introduced into models. You will analyze trade-offs, learn how to work with vectors and matrices, how meaning is represented in language models. Finally, you will practice designing a dataset ethically using the Data Cards process, ensuring transparency, accountability, and respect for community values in AI development.
Докладніше
In this Google DeepMind course, you will learn the fundamentals of language models and gain a high-level understanding of the machine learning development pipeline. You will consider the strengths and limitations of traditional n-gram models and advanced transformer models. Practical coding labs will enable you to develop insights into how machine learning models work and how they can be used to generate text and identify patterns in language. Through real-world case studies, you will build an understanding around how research engineers operate. Drawing on these insights you will identify problems that you wish to tackle in your own community and consider how to leverage the power of machine learning responsibly to address these problems within a global and local context.
Докладніше
This course introduces you to the Transformer architecture and the Bidirectional Encoder Representations from Transformers (BERT) model. You learn about the main components of the Transformer architecture, such as the self-attention mechanism, and how it is used to build the BERT model. You also learn about the different tasks that BERT can be used for, such as text classification, question answering, and natural language inference.This course is estimated to take approximately 45 minutes to complete.
Докладніше
This course will introduce you to the attention mechanism, a powerful technique that allows neural networks to focus on specific parts of an input sequence. You will learn how attention works, and how it can be used to improve the performance of a variety of machine learning tasks, including machine translation, text summarization, and question answering. This course is estimated to take approximately 45 minutes to complete.
Докладніше
This course gives you a synopsis of the encoder-decoder architecture, which is a powerful and prevalent machine learning architecture for sequence-to-sequence tasks such as machine translation, text summarization, and question answering. You learn about the main components of the encoder-decoder architecture and how to train and serve these models. In the corresponding lab walkthrough, you’ll code in TensorFlow a simple implementation of the encoder-decoder architecture for poetry generation from the beginning.
Докладніше
This course introduces diffusion models, a family of machine learning models that recently showed promise in the image generation space. Diffusion models draw inspiration from physics, specifically thermodynamics. Within the last few years, diffusion models became popular in both research and industry. Diffusion models underpin many state-of-the-art image generation models and tools on Google Cloud. This course introduces you to the theory behind diffusion models and how to train and deploy them on Gemini Enterprise Agent Platform.
Докладніше
Щоб отримати кваліфікаційний значок, пройдіть курси "Introduction to Generative AI", "Introduction to Large Language Models" й "Introduction to Responsible AI". Пройшовши завершальний тест, ви підтвердите, що засвоїли основні поняття, які стосуються генеративного штучного інтелекту.
Кваліфікаційний значок – це цифровий значок від платформи Google Cloud, який свідчить, що ви знаєтеся на продуктах і сервісах Google Cloud. Щоб опублікувати кваліфікаційний значок, зробіть свій профіль загальнодоступним, а також додайте значок у профіль у соціальних мережах.
Докладніше
Це ознайомлювальний курс мікронавчання, який має пояснити, що таке відповідальне використання штучного інтелекту, чому воно важливе і як компанія Google реалізує його у своїх продуктах. Крім того, у цьому курсі викладено 7 принципів Google щодо штучного інтелекту.
Докладніше
У цьому ознайомлювальному курсі мікронавчання ви дізнаєтеся, що таке великі мовні моделі, де вони використовуються і як підвищити їх ефективність коригуванням запитів. Він також охоплює інструменти Google, які допоможуть вам створювати власні додатки на основі генеративного штучного інтелекту.
Докладніше
Це ознайомлювальний курс мікронавчання, який має пояснити, що таке генеративний штучний інтелект, як він використовується й чим відрізняється від традиційних методів машинного навчання. Він також охоплює інструменти Google, які допоможуть вам створювати власні додатки на основі генеративного штучногоінтелекту.
Докладніше
