2026 - Understand ,Test ,Fine-tune AI Model with HuggingFace

2026 - Hiểu, Kiểm thử và Tinh chỉnh Mô hình AI với HuggingFace

Hiểu mô hình Transformer và học cách Kiểm thử, Đánh giá, Huấn luyện chúng bằng thư viện NLP HuggingFace

4.5

(123 đánh giá)

1,366 học viên

Giảng viên

Karthik KK

Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao

50.000đ 399.000đ -87%

✓ Xem giỏ hàng và thanh toán

Bao gồm phụ đề tiếng Việt, tiếng Anh

9.0 giờ video

89 bài giảng

7 bài quiz

Truy cập vĩnh viễn

Học trên mọi thiết bị

Cập nhật: 30/05/2026

#Artificial Intelligence #Huggingface #Machine Learning #Transformer Models

Bạn sẽ học được gì

Hiểu về Học máy và làm việc với các mô hình Học máy

Hiểu các mô hình Transformer như GPT, BERT, DistilBERT, GPT2, GPT4

Làm việc với các thư viện Transformer của HuggingFace

Kiểm thử Mô hình AI bằng các kỹ thuật tiên tiến khác nhau

Làm việc với AI Agent

Tinh chỉnh Mô hình AI và làm việc với mô hình AI tùy chỉnh

Yêu cầu

Kiến thức cơ bản về Python

Hiểu biết cơ bản về cách làm việc với ChatGPT hoặc bất kỳ công cụ AI nào

Hiểu biết cơ bản về lập trình

Đối tượng phù hợp

Dev

SRE

Nhà khoa học dữ liệu

Bất kỳ ai muốn học và nâng cao kỹ năng về AI

Nội dung khóa học

10 phần • 89 bài giảng

1 Giới thiệu

2 Transformer là gì?

3 Hiểu Kiến trúc Transformer

4 Cách thức hoạt động của Transformer

5 Xử lý Ngôn ngữ Tự nhiên (NLP)

1 Giới thiệu về Thư viện NLP

2 Hiểu thư viện HuggingFace

3 Khám phá nền tảng HuggingFace

4 Hiểu và làm việc với Suy luận Mô hình

5 Cài đặt và làm việc với thư viện Transformer trên Windows 11

6 Viết mã đơn giản để hiểu cách Mô hình AI Tokenize một văn bản

7 Làm việc với thư viện Transformer trên Google Colabs

8 Cài đặt Jupyter Notebook trong Visual Studio Code

9 NLP - Phân tích Tình cảm với Mô hình AI

10 NLP - Điền Mặt nạ với Mô hình AI

11 NLP - Nhận dạng Thực thể Đặt tên (NER) với Mô hình AI

12 NLP - Hỏi và Đáp (Q&A) với Mô hình AI

13 Mã nguồn

1 Giới thiệu

2 Pipeline bên dưới cùng với việc tải Mô hình

3 Hiểu về Đầu Mô hình

4 Cách thức hoạt động của hàm Pipeline đằng sau hậu trường dưới dạng mã

5 Hiểu về Checkpoint của Mô hình

6 Hiểu về Batching và Checkpoint

7 Áp dụng Padding và Truncation cho Phân loại Chuỗi của Mô hình

8 Nguồn

1 Giới thiệu

2 Truy cập API của OpenAI

3 Thêm về API của OpenAI

4 Làm việc với LLM cục bộ

5 Làm việc với LLM cục bộ cho Thị giác máy tính

6 Sử dụng API LLM cục bộ và dùng trong Postman

1 Giới thiệu

2 Kiểm thử Temperature của Mô hình AI với OpenAI Playground

3 Kiểm thử Temperature của Mô hình AI với thư viện NLP

4 Kiểm thử Tính lặp lại của Mô hình AI

5 Kiểm thử Hỏi và Đáp của Mô hình AI

6 Kiểm thử Nhận dạng Thực thể Đặt tên của Mô hình AI

7 Kiểm thử Đa Mô hình của Mô hình AI

8 Mã nguồn đầy đủ

1 Giới thiệu

2 Kiểm thử Định kiến của Mô hình AI với thư viện NLP

3 Kiểm thử Định kiến với kịch bản tiêu cực

4 Kiểm thử Tính giải thích được của Mô hình AI

5 Kiểm thử Tính giải thích được với Thư viện NLP

6 Nguồn đầy đủ

1 Giới thiệu

2 Đánh giá Dữ liệu chưa thấy bằng thư viện NLP

3 Đánh giá Mô hình Hỏi và Đáp bằng Thư viện NLP

4 Đánh giá Mô hình Q&A với Fuzzy Matching

5 Nguồn đầy đủ

1 AI Agent là gì?

2 Phổ của AI Agent

3 Viết AI Agent với SmolAgents

4 Viết Thao tác UI với AI Agent thay mặt Người dùng qua Selenium & SmolAgent

5 Giới thiệu về Model Context Protocol (MCP) cho AI Agent

6 MCP Server hoạt động cho Thao tác UI qua Playwright

7 Cấu hình MCP Server và làm việc với chúng

8 Nguồn đầy đủ

1 Giới thiệu

2 Hiểu cách Tinh chỉnh một Mô hình

3 Hiểu về Bộ dữ liệu Lớn để Huấn luyện mô hình

4 Thiết lập Môi trường sẵn sàng với Jupyter Notebook

5 Bước 1: Nhập Bộ dữ liệu từ HuggingFace

6 Phân tích Bộ dữ liệu để hiểu rõ hơn

7 Bước 2: Thực hiện Tokenizer bằng cách chuyển Văn bản thành Token

8 Bước 3: Chia Dữ liệu Kiểm thử, Huấn luyện và Xác thực

9 Tạo Dataset ở định dạng DatasetDict với dữ liệu Huấn luyện

10 Bước 4: Tokenize toàn bộ dữ liệu từ Dataset

11 Hiểu Mô hình Cơ sở và sử dụng nó với AutoModel

12 Bước 5: Sử dụng AutoModelForSequenceClassification cho Đầu Mô hình

13 Bước 6: Tạo Training Arguments

14 Bước 7: Tạo Compute Metrics để Đánh giá Mô hình

15 Bước 8: Tạo và Chạy Trainer để huấn luyện mô hình

16 Hiểu Trainer Metrics sau khi Huấn luyện hoàn tất

17 Sử dụng Mô hình đã Tinh chỉnh từ máy cục bộ và Suy luận qua Pipeline

18 Tải lên Mô hình đã Tinh chỉnh của chúng tôi lên HuggingFace và sử dụng từ HuggingFace

19 Nguồn đầy đủ

1 Giới thiệu

2 Tải Bộ dữ liệu IMDB từ CSV

3 Tạo cấu trúc Ngữ cảnh Q&A

4 Tạo định dạng SQuAD cho bộ dữ liệu

5 Chuyển đổi SQuAD sang HuggingFace DataSet

6 Tạo tập Kiểm thử/Huấn luyện/Xác thực từ Dataset

7 Tokenize Dữ liệu từ tập Kiểm thử/Huấn luyện/Xác thực

8 Tạo định dạng Kiểm thử/Huấn luyện/Xác thực cho DatasetDict với giá trị đã Tokenize

9 Tạo Training Argument và Trainer và bắt đầu huấn luyện mô hình

10 Lưu Mô hình cục bộ & sử dụng Mô hình cục bộ để Suy luận với Phân loại Q&A

11 Mã nguồn

Giới thiệu khóa học

Understanding, Testing, and Fine-tuning AI Models with the HuggingFace Library is a comprehensive course designed to guide you from the foundational concepts of machine learning all the way to advanced techniques for building your own Large Language Models (LLMs). Perfect for both newcomers and experienced engineers, this course ensures you gain hands-on expertise in every step of the machine learning pipeline—ranging from basic principles to sophisticated model testing, fine-tuning, and deployment.

What You’ll Learn

1. Introduction to Machine Learning

Lay a strong foundation by exploring key ML concepts and essential terminology.

2. Working with Natural Language Processing (NLP) Libraries

Discover how to process, analyze, and derive insights from textual data using popular NLP tools.

3. In-Depth Understanding of the Transformers Library

Dive deep into HuggingFace’s Transformers, the gold standard for building state-of-the-art NLP and LLM solutions.

4. Various Ways to Work with Large Language Models (LLMs)

Learn multiple methods to interact with and utilize LLMs for diverse real-world applications.

5. Functional Testing of AI Models

Ensure your models work reliably under different scenarios by applying systematic testing strategies.

6. Bias and Fairness Testing

Master techniques to detect and mitigate unintended bias, fostering ethical and equitable AI practices.

7. Evaluating AI Models

Measure performance using robust metrics and refine your models for optimal results.

8. Working with AI Agents

Understand how to build, configure, and integrate intelligent agents into your workflows.

9. Fine-tuning and Training AI Models

Customize pre-trained models or build your own from scratch, tailoring them to your specific project requirements.

By the end of this course, you’ll be equipped with the knowledge and practical experience to confidently develop, test, and optimize your own Transformer-based models and LLMs, setting you on an exciting path in the rapidly evolving world of AI.