Deze browser wordt niet meer ondersteund.
Upgrade naar Microsoft Edge om te profiteren van de nieuwste functies, beveiligingsupdates en technische ondersteuning.
Controleer uw kennis door de volgende vragen te beantwoorden.
Wat is het doel van een Large Language Model (LLM)?
Als u tekst in natuurlijke taal wilt verwerken en produceren door te leren van een enorme hoeveelheid tekstgegevens om patronen en taalregels te detecteren.
Om antropomorfisme te vertonen en emoties te begrijpen.
Taal en feiten begrijpen.
Wat is het verschil tussen traditionele natuurlijke taalverwerking (NLP) en GROTE taalmodellen (LLM's)?
Traditionele NLP maakt gebruik van veel terabytes aan niet-gelabelde gegevens in het basismodel, terwijl LLM's een set gelabelde gegevens bieden om het machine learning-model te trainen.
Traditionele NLP is zeer geoptimaliseerd voor specifieke gebruiksvoorbeelden, terwijl LLM's in natuurlijke taal beschrijven wat u wilt dat het model doet.
Traditionele NLP vereist één model per mogelijkheid, terwijl LLM's één model gebruiken voor veel gebruiksvoorbeelden voor natuurlijke taal.
Wat is het doel van tokenisatie in natuurlijke taalmodellen?
Als u tekst wilt weergeven op een manier die zinvol is voor machines zonder de context te verliezen, zodat algoritmen patronen gemakkelijker kunnen identificeren.
Tekst genereren op letter-per-letterbasis.
Algemene woorden weergeven met één token.
U moet alle vragen beantwoorden voordat uw werk kan worden gecontroleerd.
Is deze pagina nuttig?
Hulp nodig bij dit onderwerp?
Wilt u Ask Learn gebruiken om iets te verduidelijken of u door dit onderwerp te leiden?