LLM 大型語言實作進階班招生簡章(已額滿)

大型語言模型實作初階班

🚀本課程是為有志於深入探索大型語言模型(LLM)應用開發的學習者設計的進階班。課程涵蓋了從LLM基礎理論到實際應用的全面內容,大大提升您競爭力。💪👍🤝

基於上百家企業需求想要用大型語言模型建置企業內部的「企業大腦」,因各企業的資料有機敏性與獨特性,無法使用公開的大型語言模型。此外微調及部署大型語言模型服務有一定的門檻在,不論是在設備上、資料處理上、技術上等。本課程是為有志於深入探索大型語言模型(LLM)應用開發的學習者設計的進階班。課程涵蓋了從LLM基礎理論到實際應用的全面內容,大大提升您競爭力。

課程目標
  • 深入理解人工智慧和大型語言模型(LLM)的基本概念與最新發展。
  • 掌握LLM的道德議題、限制和潛在風險,培養負責任的AI應用能力。
  • 熟練運用LangChain框架進行LLM應用開發。
  • 學習並實踐檢索增強生成(RAG)技術。
  • 培養將LLM技術應用於實際企業案例的能力。
課程效益
  • 獲得LLM領域的前沿知識,提升AI素養。
  • 培養AI倫理意識,能夠在開發中考慮道德因素。
  • 掌握LangChain工具,提高LLM應用開發效率。
  • 學會RAG技術,增強LLM在特定領域的表現。
  • 通過實例學習,提升解決實際問題的能力。
  • 增強職場競爭力,為AI時代做好準備。
修業期間

8/30(五) 14:00-17:00、9/5(四) 09:30-12:30、9/13(五)14:00-18:00、9/20(五)14:00-18:00,共 四 個半天。(總計 14 個小時)。

招生人數

100 名 (得不足額錄取)

招生對象

AI開發者、產品經理及對LLM應用感興趣的專業人士。

學費標準

多人同行企業優惠價格,每人新台幣 30,000 元

上課方式

實體課程。

上課地點(以下為暫定,將視招生人數與場地狀況以行前通知為準):

信義區

報名方式

請洽專員:02-85123731 #12 (上班時間:週二~六)

注意事項
  • 請務必於報名前詳閱本項招生簡章規定,避免日後因報名資格不符致影響錄取入學。
  • 學員註冊繳費後若因各種原因無法繼續課程,得依本校退費辦法進行退費,恕不提供補課與延期。
  • 上網登錄報名資料之通訊地址、電話號碼及電子郵件地址應正確,否則無法通知而致延誤考試及其他重要事項,其後果需自行負責。
  • 錄取者如發現所繳資料有偽造、變造、假借、冒用、剽竊、內容不實、塗改等情事,未入學者取消錄取資格,已入學者開除學籍,並應負法律責任,且不發給任何有關學業之證明,如係在本校結業後始發覺者,除勒令撤銷其結業證書外,並公告取消其結業資格。
  • 請詳閱課程資訊相關規定,學校保有修改、變更簡章及相關規定之權利。
日期時程表
2024 / 07 / 10報名截止日
2024 / 08 / 30課程開始
2024 / 09 / 20課程結束
退費辦法
退費時間學費退還金額
於當期課程開課日前15日 (含) 以前提出退費申請者
( ~ 2024/08/05)
全額退還已繳費用。
於當期課程開課日前 14 至當期課程開課當日開始前提出退費申請者
( 2024/08/06~2024/08/19)
應退還當期開班約定繳納費用總額百分之九十。
於當期課程開課當日起,且未達全期三分之一期間內提出退費申請者
( 2024/08/20 ~ 2024/09/04)
應退還當期開班約定繳納費用總額百分之五十。
於當期課程開課期間已達(含)全期三分之一以上提出退費申請者
( 2024/09/05~)
所收取之當期開班約定繳納費用得全數不予退還。

備註:本表所稱「開課日」、「全期三分之一」等日期,皆以本校當期課程行事曆規定之日期為判斷依據。

課程大綱
週別時間課程主題內容大綱
第一週8/30(五)
14:00-17:00
人工智慧到大型語言模型概論
  • 人工智慧與 LLM 概論
  • LLM 的道德議題、限制與風險
  • 相關實例分享
第二週9/5(四)
09:30-12:30
生成式 AI 產業應用
  • 智慧對話
  • 全面性的資訊服務
  • 相關實例分享
第三週9/13(五)
14:00-18:00
LangChain 概述
  • LangChain 介紹及應用
  • 基本 LangChain 套件使用
資料處理及連接
  • Data Connection
LangChain 使用及應用
  • Agent
  • Memory
  • Callback
第四週9/20(五)
14:00-18:00
企業案例應用 + 題目及解析
  • LangChain 實例解析
  • 使用 LangChain 實作相關企業案例
LangChain 與 RAG
  • 檢索增強 (RAG) 介紹
  • 使用 LangChain 實現 RAG