facebook ΚΕΔΙΒΙΜ/ΟΠΑ
  • ΠΡΟΓΡΑΜΜΑΤΑ
  • Επεξεργασία Φυσικής Γλώσσας με Μεγάλα Γλωσσικά Μοντέλα

Επεξεργασία Φυσικής Γλώσσας με Μεγάλα Γλωσσικά Μοντέλα

PI_nlpllms
Σύντομη περιγραφή προγράμματος
Το πρόγραμμα εστιάζει σε προχωρημένες τεχνικές σχεδιασμού, προσαρμογής και βελτιστοποίησης Μεγάλων Γλωσσικών Μοντέλων (LLMs) και απευθύνεται σε αποφοίτους Πληροφορικής που επιθυμούν να αναπτύσσουν σύγχρονες, αξιόπιστες και αποδοτικές εφαρμογές Τεχνητής Νοημοσύνης. Καλύπτονται εξειδικευμένες μέθοδοι prompt engineering (advanced prompting patterns, chain-of-thought, self-refinement, test-time inference κ.λπ.), καθώς και τεχνικές parameter-efficient fine-tuning όπως LoRA και adapters.

Ιδιαίτερη έμφαση δίνεται σε Retrieval-Augmented Generation (RAG), με σχεδιασμό πλήρων pipelines που περιλαμβάνουν embedding models, vector databases, στρατηγικές chunking και reranking, καθώς και μεθόδους αξιολόγησης ποιότητας και ακρίβειας. Καλύπτονται επίσης θέματα ανάπτυξης LLM-based Agents (π.χ. tool-based reasoning, ReACT, LangChain, LangGraph). Παρουσιάζονται επίσης τεχνικές βελτιστοποίησης μοντέλων για παραγωγική χρήση, όπως quantization, distillation και inference optimization, με στόχο τη μείωση κόστους, χρόνου απόκρισης και ενεργειακών απαιτήσεων.

Μέσα από εκτενή εργαστηριακά παραδείγματα, οι συμμετέχοντες υλοποιούν end-to-end LLM εφαρμογές για πραγματικά σενάρια εργασίας, όπως έξυπνη αναζήτηση και ανάλυση εγγράφων, αυτοματοποίηση τεχνικής υποστήριξης, αυτόματη χρήση προγραμματιστικών εργαλείων από LLMs (“tool calling”), ανάπτυξη LLM agents, ανάλυση δεδομένων και υποστήριξη λήψης αποφάσεων.

Με την ολοκλήρωση του προγράμματος, οι εκπαιδευόμενοι θα είναι σε θέση να σχεδιάζουν, να προσαρμόζουν και να ενσωματώνουν LLM συστήματα σε παραγωγικά περιβάλλοντα με τεχνική επάρκεια και επαγγελματικό προσανατολισμό.
Τρόπος διεξαγωγής
Εκπόνηση εργασιών σε θεματικές ενότητες. Ο τελικός βαθμός προκύπτει από τον μέσο όρο των εργασιών.
Μαθησιακά αποτελέσματα
ΘΕ1 – Βασικές Αρχές και Αρχιτεκτονική Μεγάλων Γλωσσικών ΜοντέλωνΜΑ1.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να κατανοούν τη λειτουργία, τα στάδια ανάπτυξης και τους περιορισμούς των LLMs και να επιλέγουν κατάλληλα μοντέλα ανάλογα με το εκάστοτε πρόβλημα.ΜΑ1.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να αναγνωρίζουν ζητήματα αξιοπιστίας, μεροληψίας και παραισθήσεων και να τα λαμβάνουν υπόψιν στον σχεδιασμό εφαρμογών.ΘΕ2 – Προχωρημένο Prompt Engineering & ReasoningΜΑ2.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να σχεδιάζουν και να αξιολογούν προηγμένα prompts χρησιμοποιώντας τεχνικές chain-of-thought και test-time inference.ΜΑ2.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να ελέγχουν και να βελτιώνουν τη συμπεριφορά των LLMs σε σύνθετα tasks ανάλυσης και λήψης αποφάσεων.ΘΕ3 – Fine-tuning, Reinforcement Learning και Parameter-Efficient AdaptationΜΑ3.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να εφαρμόζουν τεχνικές fine-tuning, reinforcement learning (π.χ. DPO, GRPO) και parameter-efficient tuning (π.χ. LoRA, adapters) για την προσαρμογή LLMs σε συγκεκριμένα domains.ΜΑ3.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να σχεδιάζουν και να αξιολογούν datasets για εκπαίδευση μοντέλων, αποφεύγοντας υπερπροσαρμογή και απώλεια γενίκευσης.ΘΕ4 – Retrieval-Augmented Generation (RAG) Systems και LLM-based agentsΜΑ4.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να σχεδιάζουν και να υλοποιούν ολοκληρωμένα RAG συστήματα, καθώς και συστήματα LLM-agents.ΜΑ4.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να αξιολογούν και να βελτιστοποιούν την απόδοση RAG pipelines και LLM-based agents ως προς την ακρίβεια των απαντήσεων και γενικότερα της συμπεριφοράς τους.ΘΕ5 – Βελτιστοποίηση, Deployment και Παραγωγική Χρήση LLMsΜΑ5.1: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να εφαρμόζουν τεχνικές βελτιστοποίησης όπως quantization και inference optimization για αποδοτική παραγωγική χρήση LLMs.ΜΑ5.2: Με το πέρας του προγράμματος οι εκπαιδευόμενοι θα μπορούν να αναπτύσσουν και να ενσωματώνουν end-to-end LLM εφαρμογές σε πραγματικά επαγγελματικά περιβάλλοντα.
Θεματικές ενότητες
  1. Βασικές Αρχές και Αρχιτεκτονική Μεγάλων Γλωσσικών Μοντέλων
    • Βασικές αρχές και αρχιτεκτονική Transformers, sub-word tokenization, στάδια εκπαίδευσης LLMs (pre-training, instruction tuning, reinforcement learning from human/AI feedback)
    • Οικογένειες μοντέλων, μοντέλα με ανοιχτά ή κλειστά βάρη, σε τοπικά ή online περιβάλλοντα
    • Περιορισμοί, biases, hallucinations, controllability

    (4 ώρες)
  2. Προχωρημένο Prompt Engineering & Reasoning
    • Advanced prompting patterns
    • Chain-of-thought, self-consistency, self-refinement, test-time inference
    • Prompt evaluation & robustness

    (4 ώρες)
  3. Fine-tuning, Reinforcement Learning και Parameter-Efficient Adaptation
    • Fine-tuning vs. prompting
    • LoRA, adapters
    • Reinforcement Learning from Human/AI Feedback (π.χ. DPO, GRPO)
    • Dataset design & evaluation
    • Overfitting, generalization, safety

    (8 ώρες)
  4. Retrieval-Augmented Generation (RAG) Systems και LLM-based Agents
    • Embeddings & vector databases
    • Chunking, indexing, reranking
    • End-to-end RAG pipelines
    • Tool-based reasoning, ReACT, LangChain, LangGraph
    • Evaluation, error analysis, optimization

    (8 ώρες)
  5. Βελτιστοποίηση, Deployment και Παραγωγική Χρήση LLMs
    • Quantization, distillation, inference optimization
    • Cost/latency trade-offs
    • Mini-project: end-to-end LLM application

    (6 ώρες)
Οι θεματικές ενότητες είναι διαδοχικά συνδεδεμένες: από την κατανόηση της αρχιτεκτονικής των LLMs (ΘΕ1), ο εκπαιδευόμενος προχωρά σε προηγμένες τεχνικές ελέγχου συμπεριφοράς μέσω prompting (ΘΕ2), προσαρμογής μοντέλων (ΘΕ3), σχεδιασμού συστημάτων RAG/Agents (ΘΕ4) και τελικά στη βελτιστοποίηση και παραγωγική αξιοποίησή τους (ΘΕ5). Η πορεία οδηγεί από τη θεωρητική κατανόηση στην υλοποίηση πλήρων εφαρμογών.
Εκπαιδευτικό υλικό
Το εκπαιδευτικό υλικό περιλαμβάνει ζωντανή διδασκαλία με τη χρήση παρουσιάσεων (ηλεκτρονικές διαφάνειες) και επίδειξη λογισμικού, ηλεκτρονικές σημειώσεις, δεδομένα για την εκπόνηση των εργασιών, λογισμικό και ασκήσεις.
Η αξία του προγράμματος
Με την επιτυχή ολοκλήρωση του προγράμματος, οι εκπαιδευόμενοι θα έχουν αποκτήσει εξειδικευμένες δεξιότητες στον σχεδιασμό, την ανάπτυξη, προσαρμογή και βελτιστοποίηση LLM συστημάτων, επαρκείς για άμεση αξιοποίηση σε παραγωγικά περιβάλλοντα, έρευνα και σύγχρονες εφαρμογές Τεχνητής Νοημοσύνης.
Εβδομαδιαίο πρόγραμμα
Δευτέρα και Παρασκευή 5-7μμ
Γλώσσα Διδασκαλίας
Ελληνικά
Προθεσμία υποβολής αιτήσεων: -
Έναρξη προγράμματος: -
Ολοκλήρωση προγράμματος: -
Επιστημονική περιοχή
Τρόπος διεξαγωγής
Μονάδες ECTS: 5
Ώρες σύγχρονης κατάρτισης: 30
Περιλαμβάνονται οι ώρες κατάρτισης με διδασκαλία σε αίθουσα, σε εργαστήριο, ή εξ αποστάσεως (μέσω livestreaming) μαζί με τα τυχόν διαλείμματα.
Ώρες ασύγχρονης κατάρτισης: 50
Περιλαμβάνονται οι ώρες κατάρτισης (ενδεικτικά) με χρήση πλατφόρμας ασύγχρονης τηλεκπαίδευσης (eLearning).
Επιπλέον ώρες ενασχόλησης: 70
Περιλαμβάνονται οι επιπλέον ώρες ενασχόλησης (ενδεικτικά) και μπορεί να περιλαμβάνουν ατομική μελέτη, συγγραφή εργασιών, συμμετοχή σε επιτόπιες επισκέψεις, συμμετοχή σε εξετάσεις, κ.α.
Συνολικές ώρες: 150
Οι συνολικές ώρες περιλαμβάνουν τις ώρες σύγχρονης και ασύγχρονης κατάρτισης, καθώς και τις επιπλέον ώρες ενασχόλησης.
Εβδομάδες εκπαίδευσης: 10
Περιλαμβάνονται οι εβδομάδες κατά τις οποίες προβλέπονται δραστηριότητες οποιασδήποτε μορφής.
Πιστοποιητικό Επαγγελματικής Εκπαίδευσης και Κατάρτισης
Στους εκπαιδευόμενους που θα ολοκληρώσουν επιτυχώς το πρόγραμμα χορηγείται Πιστοποιητικό Επαγγελματικής Εκπαίδευσης και Κατάρτισης του Κέντρου Επιμόρφωσης και Δια Βίου Μάθησης του Οικονομικού Πανεπιστημίου Αθηνών, το οποίο συνοδεύεται από Συμπλήρωμα του Πιστοποιητικού, στο οποίο αναφέρονται αναλυτικά το αντικείμενο του προγράμματος, οι θεματικές ενότητες που παρακολούθησε ο εκπαιδευόμενος, καθώς και η μεθοδολογία εκπαίδευσης που ακολουθήθηκε.
Υποστήριξη
Παυλόπουλος Ιωάννης, Επίκουρος Καθηγητής, Αυτή η διεύθυνση ηλεκτρονικού ταχυδρομείου προστατεύεται από τους αυτοματισμούς αποστολέων ανεπιθύμητων μηνυμάτων. Χρειάζεται να ενεργοποιήσετε τη JavaScript για να μπορέσετε να τη δείτε.,
Ανδρουτσόπουλος Ίων, Καθηγητής, Αυτή η διεύθυνση ηλεκτρονικού ταχυδρομείου προστατεύεται από τους αυτοματισμούς αποστολέων ανεπιθύμητων μηνυμάτων. Χρειάζεται να ενεργοποιήσετε τη JavaScript για να μπορέσετε να τη δείτε.,
Σε ποιους απευθύνεται
Το πρόγραμμα απευθύνεται κυρίως σε αποφοίτους Πληροφορικής ή συναφών επιστημών με βασική εμπειρία σε προγραμματισμό και μηχανική μάθηση. Απευθύνεται σε Μηχανικούς Λογισμικού, Data Scientists, ML/AI Engineers και ερευνητές που επιθυμούν να εμβαθύνουν σε προχωρημένες τεχνικές αξιοποίησης Μεγάλων Γλωσσικών Μοντέλων. Είναι κατάλληλο για επαγγελματίες που εργάζονται ή στοχεύουν να εργαστούν σε ανάπτυξη LLM εφαρμογών, συστήματα RAG, LLM Agents, fine-tuning μοντέλων, βελτιστοποίηση inference και ενσωμάτωση LLMs σε παραγωγικά περιβάλλοντα.
Προαπαιτούμενες Γνώσεις
Απαιτούνται σπουδές Πληροφορικής ή συναφούς αντικειμένου, βασικές γνώσεις προγραμματισμού, καλή γνώση Python, και κατανόηση εννοιών μηχανικής μάθησης. Οι ενδιαφερόμενοι θα πρέπει να προσκομίσουν πτυχίο ή αναλυτική βαθμολογία και αποδεικτικό επαρκούς γνώσης αγγλικής γλώσσας.
Έγγραφα που ζητούνται κατά την υποβολή της αίτησης (πληροφορίες)
Βιογραφικό σημείωμα (υποχρεωτικό)
Συστατική επιστολή (προαιρετικό)
Αντίγραφο αναλυτικής βαθμολογίας πτυχίου (υποχρεωτικό)
Αντίγραφο πτυχίου (υποχρεωτικό)
Αποδεικτικό έγγραφο προσωπικών στοιχείων (υποχρεωτικό)
Επιστημονικός Υπεύθυνος
Τρόποι και συχνότητα επικοινωνίας με τους εκπαιδευτές
Η επικοινωνία γίνεται μέσω περιοχών ηλεκτρονικών συζητήσεων της πλατφόρμας τηλεκπαίδευσης, μέσω ηλεκτρονικού ταχυδρομείου, τηλεδιασκέψεων και της ασύγχρονης συζήτησης μέσω αυτών.
Κόστος
ΔΙΑ ΖΩΣΗΣ: 600€
LIVE STREAMING: 600€
Οι καταρτιζόμενοι αρχικά υποβάλλουν αίτηση στο πρόγραμμα χωρίς ταυτόχρονη καταβολή διδάκτρων. Εφόσον γίνουν δεκτοί σε αυτό, ενημερώνονται σχετικά με τα ύψη των δόσεων των διδάκτρων και τις αντίστοιχες προθεσμίες τους με το μήνυμα αποδοχής τους, το οποίο αποστέλλεται μέσω ηλεκτρονικού ταχυδρομείου.

Εκπτωτική πολιτική (Δικαιολογητικά)
Άτομα με οικογενειακό εισόδημα κάτω από το όριο της φτώχειας: 20%
Απόφοιτοι ΟΠΑ: 15%
Απόφοιτοι προγράμματος AI for Developers: 15%
Απόφοιτοι προγράμματος AI Data Factory: A comprehensive Machine Learning & Data Analysis Bootcamp: 15%
Ομαδική εγγραφή (τουλ. 2 ατόμων της ίδιας εταιρείας/οργανισμού): 10%

Ενδεικτικά σχόλια από άτομα που ολοκλήρωσαν το πρόγραμμα

Δεν υπάρχουν σχόλια χρηστών για αυτή την καταχώρηση.

ΕΠΙΚΟΙΝΩΝΙΑ

Κεφαλληνίας 45, 11257, Αθήνα

  • dummysecretariat@diaviou.aueb.gr

  • dummy210 8203 913


Ειδικά για τα Δια Ζώσης Προγράμματα:

  • dummydiazosis@diaviou.aueb.gr

  • dummy210 8203 916, 912, 914


Ειδικά για τα eLearning Προγράμματα:

  • dummyelearning@diaviou.aueb.gr

  • dummy+30 210 8203 753

ΕΚΔΗΛΩΣΗ ΕΝΔΙΑΦΕΡΟΝΤΟΣ

Οικονομικό Πανεπιστήμιο Αθηνών

© Copyright ΚΕΔΙΒΙΜ - Οικονομικό Πανεπιστήμιο Αθηνών

Search