課程簡介

大模型出現(xiàn)后，機器學(xué)習(xí)的定位有所變化。除了NLP場景外，chatGPT也深刻地影響了機器學(xué)習(xí)的其他場景。本課程將探討機器學(xué)習(xí)在GPT時代下的挑戰(zhàn)與變化，進而也會探討chatGPT這樣的大模型與機器學(xué)習(xí)類的小模型如何協(xié)同、滿足業(yè)務(wù)需求的實踐方法。
本課程將會介紹機器學(xué)習(xí)與chtaGPT的基礎(chǔ)概念與實際能力，兩者如何協(xié)同融合，以及如何在金融行業(yè)上應(yīng)用。

目標收益

培訓(xùn)對象

課程內(nèi)容

1. 機器學(xué)習(xí)概論
a. 機器學(xué)習(xí)簡介
b. 機器學(xué)習(xí)經(jīng)典應(yīng)用回顧
i. 分類任務(wù)：欺詐檢測、個性化推薦、流失分析
ii. 聚類任務(wù)：用戶人群聚合、客戶反饋聚合
c. 機器學(xué)習(xí)的現(xiàn)實挑戰(zhàn)
2. GPT與自然語言處理
a. 基與Bert的NLP應(yīng)用
b. 大語言模型統(tǒng)一NLP任務(wù)
c. GPT當前的實際應(yīng)用
d. GPT賦能MachineLearning的能力邊界
3. GPT賦能MachineLearning能力優(yōu)化方法
a. 基于結(jié)構(gòu)化prompt
b. 基于CoT的prompt優(yōu)化
c. 基于RAG的領(lǐng)域能力提升
d. 基于functionCall的專業(yè)能力提升
e. 基于ReAct框架協(xié)同推理與行動
f. 基于Agent機制強化能力
4. GPT時代下的機器學(xué)習(xí)實踐項目流
a. 起始：信息檢索與腦暴
b. 執(zhí)行：問題定義與模型選擇
c. 實現(xiàn)：模型實現(xiàn)與代碼生成
d. 數(shù)據(jù)準備：數(shù)據(jù)收集與探索分析
e. 數(shù)據(jù)增強：數(shù)據(jù)預(yù)處理與補全
f. 特征工程：特征枚舉與交叉
g. 模型驗證：模型超參數(shù)調(diào)優(yōu)
h. 模型部署：建議部署環(huán)境與監(jiān)控線上情況
i. 業(yè)務(wù)落地：模型解釋與效果評估
j. 總結(jié)：項目報告生成
5. 機器學(xué)習(xí)與chatGPT能力結(jié)合
a. 挑戰(zhàn)：全自動機器學(xué)習(xí)的回顧與可能性
b. 輔助提效：基于chatGPT的交互式機器學(xué)習(xí)環(huán)境搭建
c. 全監(jiān)管模式：基于Agent機制下的chatGPT調(diào)度機器學(xué)習(xí)全流程探索
6. 實踐挑戰(zhàn)
a. 機器學(xué)習(xí)場景落地改造
b. 使用chatGPT協(xié)助的數(shù)據(jù)風(fēng)險
c. 大小模型嵌套的整體框架
7. 總結(jié)與QA
a. 課程回顧
b. 未來展望
c. 開放問答與討論