大家好，我是老章
吴恩达的课都是经典中的经典，尤其是机器学习系列，更是很多人的机器学习启蒙、入门必备。
吴恩达创办的deeplearning.ai最近更新了一系列大模型相关的短课，每节课差不多都是一个多小时都可以学完。
虽然都是合作视频，不是吴老师亲自授课，但这些短课质量也都很高，教学风格很有吴老师的影子。
这里推荐几个，感兴趣的同学可以挑着学起来。
如果集中时间，其实很快就学完了。
吴恩达新课《Generative Al for Everyone》，1.25倍速刷完了
Getting Started With Mistral
地址：https://www.deeplearning.ai/short-courses/getting-started-with-mistral/
简介：
学习如何以及何时使用Mistral AI的领先大型语言模型（LLM）
探索Mistral的三个开源模型（Mistral 7B、Mixtral 8x7B和最新的Mixtral 8x22B），以及三个商业模型（小型、中型和大型），Mistral通过Web界面和API调用提供访问。
利用Mistral的JSON模式生成结构化的JSON格式的LLM响应，使得LLM输出可以集成到更大的软件应用中。
使用Mistral的API调用用户定义的Python函数来执行任务，如网页搜索或从数据库检索文本，增强LLM寻找相关信息以回答用户查询的能力。
Quantization Fundamentals with Hugging Face
地址：https://www.deeplearning.ai/short-courses/quantization-fundamentals-with-hugging-face/
简介：
生成式AI模型，如大型语言模型，往往超出了消费级硬件的能力，并且运行成本昂贵。通过量化等方法压缩模型，可以使它们更高效、更快速、更易于访问。这使得它们可以在各种设备上运行，包括智能手机、个人电脑和边缘设备，并最小化性能退化。
参加此课程以：
使用Quanto库通过线性量化量化任何开源模型。 获取线性量化实施概述。这种形式的量化可以应用于压缩任何模型，包括LLMs、视觉模型等。 应用“下降转换”，另一种量化形式，通过Transformers库实现，这使您能够以大约一半的正常大小加载模型，数据类型为BFloat16。
JavaScript RAG Web Apps with LlamaIndex
地址：https://www.deeplearning.ai/short-courses/preprocessing-unstructured-data-for-llm-applications/
简介：
构建一个全栈Web应用程序，使用检索增强生成（RAG）功能与您的数据聊天。
学习如何在JavaScript中构建一个RAG应用程序，并使用一个智能代理，它能够识别并从多个数据源中选择以回答您的查询。 构建一个具有交互式前端组件的全栈Web应用程序，该组件可以与您的数据进行交互和聊天。 学习如何持久化您的数据，启用与数据的聊天，并实现流式响应，所有这些都使用create-llama命令行工具实现。
Preprocessing Unstructured Data for LLM Applications
地址：https://www.deeplearning.ai/short-courses/preprocessing-unstructured-data-for-llm-applications/
简介：
《预处理非结构化数据以用于大型语言模型（LLM）应用 》
提升您的检索增强生成（RAG）系统以检索多种数据类型
学习从多种文档类型中提取和规范化内容，例如PDF、PowerPoint、Word和HTML文件、表格和图片，以扩展您的LLM可访问的信息。
通过元数据丰富您的内容，增强检索增强生成（RAG）结果，并支持更细致的搜索能力。
探索文档图像分析技术，如布局检测、视觉和表格变换器，学习如何将这些方法应用于预处理PDF、图片和表格。
Knowledge Graphs for RAG
地址：https://www.deeplearning.ai/short-courses/preprocessing-unstructured-data-for-llm-applications/
简介： 知识图谱用于检索增强生成（RAG）
学习如何构建和使用知识图谱系统，以改善您的检索增强生成应用。
使用Neo4j的查询语言Cypher来管理和检索存储在知识图谱中的数据。
编写知识图谱查询，找到并格式化文本数据，为检索增强生成的大型语言模型（LLM）提供更相关的上下文。
使用Neo4j和LangChain构建一个问答系统，与结构化文本文档的知识图谱进行对话。
Building Applications with Vector Databases
地址：https://www.deeplearning.ai/short-courses/building-applications-vector-databases/
简介：
使用向量数据库构建应用程序
学习如何构建六种由向量数据库驱动的应用程序：语义搜索、检索增强生成（RAG）、异常检测、混合搜索、图像相似度搜索和推荐系统，每种使用不同的数据集。
学习创建六种令人兴奋的向量数据库应用程序，并使用Pinecone来实现它们。
构建一个混合搜索应用程序，结合文本和图像以改进多模态搜索结果。
学习如何构建一个衡量和排名面部相似度的应用程序。
Knowledge Graphs for RAG - DeepLearning.AI： https://www.deeplearning.ai/short-courses/knowledge-graphs-rag Preprocessing Unstructured Data for LLM Applications - DeepLearning.AI： https://www.deeplearning.ai/short-courses/preprocessing-unstructured-data-for-llm-applications JavaScript RAG Web Apps with LlamaIndex - DeepLearning.AI： https://www.deeplearning.ai/short-courses/javascript-rag-web-apps-with-llamaindex Building Applications with Vector Databases - DeepLearning.AI： https://www.deeplearning.ai/short-courses/building-applications-vector-databases Quantization Fundamentals with Hugging Face - DeepLearning.AI： https://www.deeplearning.ai/short-courses/quantization-fundamentals-with-hugging-face Getting Started With Mistral - DeepLearning.AI： https://www.deeplearning.ai/short-courses/getting-started-with-mistral/