Advanced RL for LLMs
PripravujemeKurz krok za krokom o tréningu jazykových modelov s reinforcement learning: policy gradients od základov, RLHF a PPO v praxi, GRPO a najnovšie metódy a to, ako navrhnúť odmeny, ktoré sa neobrátia proti vám.
Obsah kurzu a videá sú v angličtine.