作者提供的图片
在上一篇文章中，我解释了如何 人工智能是未来的技能，这些职位的年薪高达 $375,000。
1. Google 网络安全证书 - 快速进入网络安全职业的捷径。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织在 IT 方面
大语言模型（LLMs）已成为人工智能的核心关注点，现在几乎每个数据驱动的角色都需要对这些算法有一些基础了解。
无论你是希望扩展技能的开发者、数据从业者，还是想转行进入人工智能领域的专业人士，了解 LLM 在当前就业市场中都能为你带来巨大的收益。
在这篇文章中，我将为你提供 10 个帮助你了解大语言模型的免费资源。
如果你是人工智能领域的完全初学者，我建议你从这个 一小时的 YouTube 教程 开始，讲解了 LLM 的工作原理。
到视频结束时，你将理解 LLM 的工作原理、LLM 扩展法则、模型微调、多模态性和 LLM 定制化。
生成式 AI 初学者 是一门 18 课的课程，将教你关于构建生成式 AI 应用程序的一切。
从最基本的开始——你将首先了解生成式 AI 和 LLM 的概念，然后进展到诸如提示工程和 LLM 选择等主题。
接着，你将学习如何使用低代码工具、RAGs 和 AI 代理来构建 LLM 驱动的应用程序。
课程还将教你如何微调 LLM 和保护你的 LLM 应用程序。
你可以跳过模块，选择对你的学习目标最相关的课程。
利用 LLM 的生成式 AI 是一门关于语言模型的课程，需要大约 3 周的全日制学习。
这个学习资源涵盖了 LLM 的基础知识、变换器架构和提示工程。
你还将学习如何在 AWS 上微调、优化和部署语言模型。
Hugging Face 是一家领先的 NLP 公司，提供库和模型，允许你构建机器学习应用程序。他们让普通用户也能轻松构建 AI 应用程序。
Hugging Face 的 NLP 学习轨迹涵盖了变换器架构、LLM 的工作原理以及他们生态系统中可用的数据集和分词器库。
你将学习如何微调数据集，并使用 Transformers 库和 Hugging Face 的管道执行文本总结、问答和翻译等任务。
LLM 大学是一个涵盖 NLP 和 LLM 相关概念的学习平台。
与之前的课程类似，你将从学习 LLM 的基础和架构开始，逐渐深入到更高级的概念，如提示工程、微调和 RAGs。
如果你已经有一些 NLP 的知识，你可以直接跳过基础模块，跟随更高级的教程。
基础生成性 AI是一个免费的两周课程，涵盖生成性 AI、Langchain、向量数据库、开源语言模型和 LLM 部署的基础知识。
每个模块大约需要两小时完成，建议每个模块在一天内完成。
在课程结束时，你将学会使用语言模型实现一个端到端的医疗聊天机器人。
这个 YouTube 上的 NLP 播放列表涵盖了诸如分词、文本预处理、RNN 和 LSTM 等概念。
这些主题是理解现代大型语言模型如何工作的先决条件。
完成这门课程后，你将了解构成 NLP 基础的不同文本处理技术。
你还将理解顺序 NLP 模型的工作原理和实施过程中遇到的挑战，这最终导致了更高级的 LLM 的发展，如 GPT 系列。
一些额外的学习 LLM 资源包括：
带代码的论文是一个将机器学习研究论文与代码结合的平台，使你更容易跟上该领域的最新发展以及实际应用。
为了更好地理解变换器架构（如 BERT 和 GPT 等最先进语言模型的基础），我推荐阅读研究论文《注意力机制即一切》。
这将帮助你更好地理解 LLM 的工作原理以及为什么基于变换器的模型比之前的最先进模型表现更好。
这是一个 GitHub 仓库，它整理了 LLM 教程、最佳实践和代码。
这是一个关于语言模型的全面指南 —— 包括 LLM 架构的详细解释、模型微调和部署的教程，以及可以直接用于你自己 LLM 应用程序的代码片段。
目前有大量的资源可以用来学习 LLM，我已将最有用的资源整理到本文中。
本文中引用的大多数学习材料需要一些编程和机器学习的知识。如果你没有这些领域的背景，我建议查看以下资源：
 
 
Natassha Selvaraj 是一位自学成才的数据科学家，对写作充满热情。Natassha 撰写有关数据科学的所有内容，是数据主题的真正大师。你可以在 LinkedIn 上与她联系或查看她的 YouTube 频道。