課程簡(jiǎn)介

大模型出現(xiàn)后，機(jī)器學(xué)習(xí)的定位有所變化。除了NLP場(chǎng)景外，chatGPT也深刻地影響了機(jī)器學(xué)習(xí)的其他場(chǎng)景。本課程將探討機(jī)器學(xué)習(xí)在GPT時(shí)代下的挑戰(zhàn)與變化，進(jìn)而也會(huì)探討chatGPT這樣的大模型與機(jī)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(shí)踐方法。
本課程將會(huì)介紹機(jī)器學(xué)習(xí)與chtaGPT的基礎(chǔ)概念與實(shí)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(biāo)收益

培訓(xùn)對(duì)象

課程內(nèi)容

1. 機(jī)器學(xué)習(xí)概論
a. 機(jī)器學(xué)習(xí)簡(jiǎn)介
b. 機(jī)器學(xué)習(xí)經(jīng)典應(yīng)用回顧
i. 分類任務(wù)：欺詐檢測(cè)、個(gè)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(jī)器學(xué)習(xí)的現(xiàn)實(shí)挑戰(zhàn)
2. GPT與自然語(yǔ)言處理
a. 基與Bert的NLP應(yīng)用
b. 大語(yǔ)言模型統(tǒng)一NLP任務(wù)
c. GPT當(dāng)前的實(shí)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(dòng)
f. 基于Agent機(jī)制強(qiáng)化能力
4. GPT時(shí)代下的機(jī)器學(xué)習(xí)實(shí)踐項(xiàng)目流
a. 起始：信息檢索與腦暴
b. 執(zhí)行：?jiǎn)栴}定義與模型選擇
c. 實(shí)現(xiàn)：模型實(shí)現(xiàn)與代碼生成
d. 數(shù)據(jù)準(zhǔn)備：數(shù)據(jù)收集與探索分析
e. 數(shù)據(jù)增強(qiáng)：數(shù)據(jù)預(yù)處理與補(bǔ)全
f. 特征工程：特征枚舉與交叉
g. 模型驗(yàn)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(píng)估
j. 總結(jié)：項(xiàng)目報(bào)告生成
5. 機(jī)器學(xué)習(xí)與chatGPT能力結(jié)合
a. 挑戰(zhàn)：全自動(dòng)機(jī)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(jī)器學(xué)習(xí)環(huán)境搭建
c. 全監(jiān)管模式：基于Agent機(jī)制下的chatGPT調(diào)度機(jī)器學(xué)習(xí)全流程探索
6. 實(shí)踐挑戰(zhàn)
a. 機(jī)器學(xué)習(xí)場(chǎng)景落地改造
b. 使用chatGPT協(xié)助的數(shù)據(jù)風(fēng)險(xiǎn)
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(lái)展望
c. 開(kāi)放問(wèn)答與討論