从0到1训练【私有大模型】技能与应用实现 ，企业急迫需求，抢占市场先机课程

📁 第1阶段 课程简介
  [1.1]--1-1 【导航】课程导学&让你快速了解课程.mp4
  [1.2]--1-2 【内容安排】课程安排和学习建议.mp4
  [1.3]--1-3 【行业发展】ChatGPT对行业、社会有什么影响，我们要.mp4
  [1.4]--1-4 【发展史】ChatGPT的简要历史.mp4
  [1.5]--1-5 【学习须知】本课程为什么使用gpt2而不是gpt3.mp4
📁 第2阶段 训练模型与开发平台环境
  [2.1]--2-1 【认知】为什么要引入paddle？平时使用torch，学.vep
  [2.2]--2-2 【框架】paddle和torch与tensorflow对.vep
  [2.3]--2-3 【NLP工具和预训练模型】paddleNLP和huggi.vep
  [2.4]--2-4 【平台】介绍aistudio.vep
  [2.5]--2-5 【工具】介绍基于gpt4的IDE cursor.vep
📁 第3阶段 chatGPT初始技术词向量原理剖析与实战
  [3.1]--3-1 【认知】词向量，词向量与gpt的关系.vep
  [3.2]--3-2 【语言模型】语言模型和评估指标PPL.vep
  [3.3]--3-3 【词向量模型】word2vec-cbow和skipgra.vep
  [3.4]--3-4 【softmax加速】是softmax 树型优化.vep
  [3.5]--3-5 【softmax加速】softmax负采样优化.vep
  [3.6]--3-6 【数据准备与预处理】word2vec实战（1）.vep
  [3.7]--3-7 【数据准备与预处理】word2vec实战（2）.vep
  [3.8]--3-8 【模型训练】word2vec实战-模型开发和训练（1）.vep
  [3.9]--3-9 【模型训练】word2vec实战-模型开发和训练（2）.vep
  [3.10]--3-10 【激活函数】常见七种激活函数对比.vep
  [3.11]--3-11 【预训练语言模型】RNN-LSTM-ELMO.vep
  [3.12]--3-12 本章梳理小结.vep
📁 第4阶段 chatGPT基石模型——基于T
  [4.1]--4-1 本章介绍.mp4
  [4.2]--4-2 seq2seq结构和注意力.mp4
  [4.3]--4-3 seq2seq-attention的一个案例.mp4
  [4.4]--4-4 transformer的multi-head atten.mp4
  [4.5]--4-5 transformer的残差链接-解决梯度消失问题.mp4
  [4.6]--4-6 transformer的layernorm-归一化提升训.mp4
  [4.7]--4-7 transformer的decoder 解码器.mp4
  [4.8]--4-8 sparse-transformer 稀疏模型.mp4
  [4.9]--4-9 transformer-xl 解决长序列的问题（1）.mp4
  [4.10]--4-10 transformer-xl解决长序列的问题（2）.mp4
  [4.11]--4-11 本章梳理总结.mp4
📁 第5阶段 基于Transformer另一分支Bert系列分析与实战
  [5.1]--5-1 本章介绍.mp4
  [5.2]--5-2 metric-评估指标(BLUE-rouge-L-MET.mp4
  [5.3]--5-3 常见 subword 算法（BPE-wordpiece）.mp4
  [5.4]--5-4 常见的NLP任务.mp4
  [5.5]--5-5 bert 预训练模型.mp4
  [5.6]--5-6 bert情感分析实战----paddle（1）.mp4
  [5.7]--5-7 bert情感分析实战----paddle（2）.mp4
  [5.8]--5-8 evaluate和predict方法----paddle.mp4
  [5.9]--5-9 bert(transformer encoder)主要源.mp4
  [5.10]--5-10 bert(transformer encoder)主要.mp4
  [5.11]--5-11 bert(transformer encoder)的完.mp4
  [5.12]--5-12 Ernie文心一言基础模型（1）.mp4
  [5.13]--5-13 Ernie文心一言基础模型（2）.mp4
  [5.14]--5-14 plato百度对话模型（1）.mp4
  [5.15]--5-15 plato 百度对话模型（2）.mp4
  [5.16]--5-16 本章总结.mp4
📁 第6阶段 chatGPT的核心技术——强化
  [6.1]--6-1 RL是什么＆为什么要学习RL.mp4
  [6.2]--6-2 强化学习章介绍.mp4
  [6.3]--6-3 RL基础概念.mp4
  [6.4]--6-4 RL马尔可夫过程.mp4
  [6.5]--6-5 RL三种方法（1）.mp4
  [6.6]--6-6 RL三种方法（2）.mp4
  [6.7]--6-7 DQN和DQN的2种改进算法（1）.mp4
  [6.8]--6-8 DQN和DQN的2种改进算法（2）.mp4
  [6.9]--6-9 actor-critic（1）.mp4
  [6.10]--6-10 actor-critic（2）.mp4
  [6.11]--6-11 TRPO+PPO（1）.mp4
  [6.12]--6-12 TRPO+PPO（2）.mp4
  [6.13]--6-13 DQN代码实践--torch-1.mp4
  [6.14]--6-14 DQN代码实践--torch-2.mp4
  [6.15]--6-15 DoubleDQN+DuelingDQ代码--torc.mp4
  [6.16]--6-16 REINFORCE代码--torch.mp4
  [6.17]--6-17 PPO代码实践--torch.mp4
  [6.18]--6-18 强化学习-本章总结.mp4
📁 第7阶段 chatGPT技术演变——从GP
  [7.1]--7-1 GPT1 模型.vep
  [7.2]--7-2 GPT2 模型.vep
  [7.3]--7-3 GPT3 模型-1.vep
  [7.4]--7-4 GPT3 模型-2.vep
  [7.5]--7-5 gpt-codex 基于GPT技术开发的模型.vep
  [7.6]--7-6 alphaCode基于GPT技术开发的模型-1.vep
  [7.7]--7-7 alphaCode基于GPT技术开发的模型-2.vep
  [7.8]--7-8 instruct-gpt 基于GPT技术开发的模型-1.vep
  [7.9]--7-9 instruct-gpt 基于GPT技术开发的模型-2.vep
  [7.10]--7-10 Antropic LLM大型语言模型.vep
  [7.11]--7-11 GPT-本章总结.vep
📁 第8阶段 RLHF训练类ChatGPT模型代码实战 i class
  [8.1]--8-1 chatGPT训练实战.mp4
  [8.2]--8-2 SFT有监督的训练-数据处理.mp4
  [8.3]--8-3 SFT有监督训练-trainer.mp4
  [8.4]--8-4 SFT有监督训练-train.mp4
  [8.5]--8-5 RM训练-model+dataset（1）.mp4
  [8.6]--8-6 RM训练-model+dataset（2）.mp4
  [8.7]--8-7 RM训练-trainer.mp4
  [8.8]--8-8 RM训练-train-rm.mp4
  [8.9]--8-9 RLHF强化学习人类反馈的训练-dataset.mp4
  [8.10]--8-10 RLHF强化学习人类反馈的训练-model-base.mp4
  [8.11]--8-11 RLHF强化学习人类反馈的训练-model-opt.mp4
  [8.13]--8-13 RLHF强化学习人类反馈的训练-generation（.mp4
  [8.14]--8-14 RLHF强化学习人类反馈的训练-exp_maker（1.mp4
  [8.15]--8-15 RLHF强化学习人类反馈的训练-exp_maker（2.mp4
  [8.16]--8-16 RLHF强化学习人类反馈的训练-buffer-util.mp4
  [8.17]--8-17 RLHF强化学习人类反馈的训练-buffer-loss.mp4
  [8.19]--8-19 RLHF强化学习人类反馈的训练-main.mp4