양자화와 프루닝 개념을 실제 모델 크기 변화와 함께 설명해줘서 이해가 훨씬 빨랐습니다. 그동안 파인튜닝만 다루는 강의는 많이 봤는데, 압축 기법까지 같이 묶어서 설명하는 강의는 드물었던 것 같습니다. 중간에 나오는 캘리브레이션 데이터셋 부분은 조금 지루하게 느껴지긴 했습니다. 그래도 전체적으로 실무에 바로 적용해볼 만한 내용이 많았습니다.
พื้นฐานการปรับแต่ง LLM: การบีบอัดและการ Fine-Tuning
ทำความเข้าใจแนวคิดหลักของ quantization, pruning และ fine-tuning เพื่อให้ large language models ทำงานได้อย่างมีประสิทธิภาพบนฮาร์ดแวร์ในเครื่อง (local hardware)
-
💬
ผู้สอน AI
ถามเกี่ยวกับบทเรียนใดก็ได้ แล้วรับคำตอบที่ชัดเจนทันที ทุกเมื่อ -
🕐
เริ่มเมื่อไรก็ได้
ไม่มีตารางหรือเดดไลน์ — เรียนตามจังหวะของคุณ เมื่อไรก็ได้ -
🌐
เป็นภาษาไทย
บทเรียน แบบฝึกหัด และใบรับรอง — ทั้งหมดเป็นภาษาของคุณอย่างครบถ้วน
เกี่ยวกับคอร์สนี้
Large Language Models (LLMs) นั้นทรงพลังอย่างเหลือเชื่อ แต่ขนาดที่มหึมาของพวกมันมักจะทำให้การรันนั้นยากและมีค่าใช้จ่ายสูง คุณจะสามารถติดตั้งใช้งานโมเดลเหล่านี้บนฮาร์ดแวร์ทั่วไปโดยไม่สูญเสียประสิทธิภาพได้อย่างไร? คอร์สเรียนแบบเน้นข้อความนี้จะย่อยโลกที่ซับซ้อนของการปรับแต่ง LLM ให้เป็นบทเรียนที่อ่านเข้าใจง่าย คุณจะได้สำรวจวิธีลดขนาดโมเดล เร่งความเร็วในการทำ inference และประเมินประสิทธิภาพโดยใช้เทคนิคสมัยใหม่ในอุตสาหกรรม ด้วยการมุ่งเน้นไปที่แนวคิดเชิงปฏิบัติ คุณจะได้เรียนรู้วิธีทำให้โมเดล AI ที่หนักอึ้งกลายเป็นโมเดลที่เบาและเข้าถึงได้ สิ่งที่คุณจะได้เรียนรู้: ทำความเข้าใจโครงสร้างพื้นฐานของ LLM และเหตุผลที่ขนาดของโมเดลส่งผลต่อทรัพยากรการคำนวณ ประยุกต์ใช้เทคนิค quantization เพื่อลดการใช้หน่วยความจำในขณะที่ยังคงคุณภาพของการสร้างข้อความ สำรวจการทำ model pruning และ knowledge distillation เพื่อสร้างแนวคิดสำหรับโมเดลที่เล็กลงและเร็วขึ้น ฝึกฝนวิธีการ fine-tuning ที่มีประสิทธิภาพด้านพารามิเตอร์ เช่น LoRA และ QLoRA สำหรับแอปพลิเคชันเฉพาะทาง ประเมินประสิทธิภาพของ local LLM โดยใช้เครื่องมือและตัวชี้วัดการวัดประสิทธิภาพ (benchmarking) สมัยใหม่ ค้นพบวิธีที่โมเดลซึ่งได้รับการปรับแต่งแล้วจะรวมเข้ากับเวิร์กโฟลว์ Retrieval-Augmented Generation (RAG) สมัยใหม่ได้อย่างไร
คอร์สนี้เริ่มต้นด้วยคำศัพท์ที่จำเป็นและกลไกพื้นฐานของการบีบอัดโครงข่ายประสาทเทียม (neural network compression) จากนั้นคุณจะก้าวหน้าผ่านสื่อการอ่านที่มีโครงสร้างและแบบฝึกหัดการเขียนที่ครอบคลุมวิธีการ fine-tuning และกลยุทธ์การติดตั้งใช้งานในเครื่อง (local deployment) ออกแบบมาสำหรับผู้เริ่มต้นและผู้ที่ต้องการเป็นนักปฏิบัติการด้าน machine learning คอร์สนี้ไม่จำเป็นต้องมีประสบการณ์มาก่อนเกี่ยวกับวิศวกรรม AI ขั้นสูง เริ่มอ่านวันนี้เพื่อสร้างทักษะพื้นฐานของคุณในการติดตั้งใช้งาน AI อย่างมีประสิทธิภาพ
สิ่งที่คุณจะได้รับ
-
📜
ใบประกาศนียบัตร
เพิ่มในโปรไฟล์ LinkedIn ของคุณ -
💬
ติวเตอร์ AI ส่วนตัว
ติดขัดในบทเรียน? ถามติวเตอร์ในตัวของคุณได้ทุกอย่าง ทุกเวลา -
🎧
รวมเวอร์ชันเสียง
เรียนได้ทุกที่ ไม่ต้องดูจอ -
♾️
เข้าถึงตลอดชีพ
กลับมาเรียนได้ตลอด ไม่มีหมดอายุ -
📱
โทรศัพท์หรือคอมพิวเตอร์
ใช้งานได้ทุกที่ ทุกอุปกรณ์ -
💸
คืนเงิน 14 วัน
ไม่ต้องอธิบาย -
⚡
กระชับและตรงประเด็น
2 ชม. 48 นาที เนื้อหาเชิงปฏิบัติ
รีวิว (13)
Quantization और pruning जैसे टॉपिक्स को बहुत ही practical तरीके से समझाया गया है, थ्योरी कम और उदाहरण ज़्यादा। बस fine-tuning वाला सेक्शन थोड़ा जल्दी में निपटा दिया गया लगा।
Quantization ve pruning konularını gerçek örneklerle anlatması işe yaramış, ama fine-tuning kısmı biraz daha uzun olabilirdi.
양자화랑 프루닝 개념이 늘 헷갈렸는데 이 강의로 확실히 잡혔어요. 7B 모델을 4비트로 돌려서 제 노트북에서 무리 없이 추론하는 걸 보고 정말 신기했고, 파인튜닝까지 한 흐름으로 묶어줘서 좋았습니다.
Clear breakdown of quantization versus pruning, with enough hands-on exercises that the tradeoffs actually stick. The fine-tuning-after-compression section alone was worth going through slowly.
Quantization, pruning ve fine-tuning gibi kavramları hep ezbere biliyordum ama mantığını tam oturtamamıştım. Bu kurstan sonra modeli neden ve nasıl küçülttüğümüzü gerçekten kavradım. En sevdiğim kısım büyük bir modeli kendi dizüstü bilgisayarımda çalışacak kadar sıkıştırdığımız bölümdü, çünkü pratik faydası hemen görünüyor. Anlatım sade ve adım adım ilerliyor, gereksiz teori yığını yok. Yerel donanımda LLM çalıştırmak isteyen herkese gönül rahatlığıyla öneririm.
I went into this expecting a dry theory dump on quantization and came out with something I could actually apply to a model I'd been struggling to deploy. The sections on pruning are clear and build up gradually, showing why certain layers tolerate compression better than others. The fine-tuning module ties everything together by walking through shrinking a model and then recovering accuracy afterward. If I'm being picky, the pacing slows down a lot in the middle when it covers calibration datasets, which could have been trimmed. Still, it's one of the more grounded explanations of these tradeoffs I've come across.
Pruning and quantization finally make sense, and my model runs lean on local hardware now.
量子化とプルーニングの違いをここまで具体的に説明してくれるコースは初めてでした。理論の説明のあとに必ず実際のモデルサイズや推論速度の変化を見せてくれるので、なぜその手法が効くのかが腑に落ちます。特にプルーニング後にファインチューニングで精度を戻す流れを一通り体験できたのが大きかったです。普段はモデルを大きくすることばかり考えていたので、小さくしながら性能を保つという発想の転換になりました。最後まで飽きずに進められる構成で、実務にすぐ活かせそうです。
Khóa học giải thích quantization và pruning rất dễ hiểu, không sa đà vào công thức toán mà tập trung vào lý do tại sao nó hiệu quả. Phần fine-tuning sau khi nén mô hình giúp mình hiểu rõ cách khôi phục lại độ chính xác đã mất.
Le cours démystifie bien la quantization et le pruning, avec des exemples chiffrés qui montrent vraiment l'impact sur la taille du modèle. La partie fine-tuning après compression est celle qui m'a le plus servi au final.
圧縮の仕組みが直感的にわかった。
This is one of the few courses I've found that treats model compression as a first-class topic instead of an afterthought tacked onto a fine-tuning course. The quantization section walks through the actual tradeoffs between precision levels rather than just telling you to pick int8 and move on. Pruning is explained with real before-and-after benchmarks, which made the impact obvious in a way slides never do. By the time you get to combining pruning with fine-tuning to recover lost accuracy, all the earlier pieces click into place. I ended up rerunning the exercises on my own model afterward just to see the numbers for myself.
ผู้เรียนคนอื่นเรียน
🔥 ยอดนิยม
🎓 มีใบรับรอง
บทนำสู่การ Fine-Tuning LLM ด้วย LoRA และ QLoRA
ใบรับรอง
ลงมือทำ
$14.99
→
🏆 ยอดนิยมมากที่สุด
🎓 มีใบรับรอง
พื้นฐานของโมเดลภาษาขนาดใหญ่: จาก Transformers ไปยัง Fine-Tuning
ใบรับรอง
ลงมือทำ
$14.99
→
🔥 ยอดนิยม
🎓 มีใบรับรอง
คู่มือเริ่มต้นการปรับแต่ง LLM (Beginner's Guide to LLM Fine-Tuning)
ใบรับรอง
ลงมือทำ
$14.99
→
🔥 ยอดนิยม
🎓 มีใบรับรอง
การแนะนำการทำ LLM Fine-Tuning บนข้อมูลเฉพาะทาง (Domain Data)
ใบรับรอง
ลงมือทำ
$14.99
→
คำถามที่พบบ่อย
ฉันต้องใช้อะไรในการเรียนคอร์สนี้? +
แค่โทรศัพท์หรือคอมพิวเตอร์ที่มีอินเทอร์เน็ต ไม่ต้องติดตั้งหรือใช้อุปกรณ์พิเศษ
ฉันชำระเงินอย่างไร? +
ผ่านบัตรด้วย Stripe เราไม่เก็บข้อมูลบัตร — Stripe จัดการอย่างปลอดภัย
ฉันขอคืนเงินได้ไหม? +
ใช่ — คืนเงินเต็มจำนวนใน 14 วัน ไม่ต้องอธิบาย
ฉันมีสิทธิ์เข้าถึงนานเท่าไร? +
ตลอดไป เมื่อซื้อแล้วคอร์สเป็นของคุณ กลับมาเรียนได้ตลอด
ฉันจะได้ใบประกาศนียบัตรไหม? +
ได้ เมื่อเรียนจบจะได้รับใบประกาศนียบัตรที่เพิ่มในโปรไฟล์ LinkedIn ได้
ออกแบบสำหรับผู้เรียนใน
เทคโนโลยี
ดีไซน์
การเงิน
การตลาด
สาธารณสุข
การศึกษา
ธุรกิจการบริการ
อุตสาหกรรม