在线课程 – Google 生成式 AI 工程专业认证专家，IBM LLM

使用 Gen AI 和大型语言模型（LLM）提升您在机器学习领域的职业生涯。在短短 3 个月内学习 Gen AI 工程和大型语言模型的基础知识。

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today

Professional Certificate

中档

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

使用 BERT、GPT 和 LLaMA 等框架和模型构建应用程序。
使用 Hugging Face Transformers 库。
使用 PyTorch 深度学习库。
开发和预置基于 NLP 的应用程序。
探索标记化、数据负载、语言和实施模型。
变压器技术和注意力机制的应用。
命令工程。
为 NLP 创建数据负载。
使用神经网络开发和训练语言模型。
应用 transformer 对翻译模型进行分类、构建和评估。
调整模型。
实现 LangChain 工具。
使用 RAG 和 LangChain 构建 AI 代理和应用程序。

What you will learn in the course

Courses for which the course is suitable

Gen AI 工程师
数据科学家
机器学习工程师
开发人工智能
NLP 应用程序开发人员
人工智能领域的软件工程师
自然语言处理专家
开发人员广泛语言模型（LLM）

专业化 – 7 门课程系列

到 2030 年，人工智能（Gen AI）市场预计将以每年约 46% 的速度增长（来源：Statista）。Gen AI 工程师的需求量很大。该计划为数据科学家、机器学习工程师和 AI 开发人员提供雇主正在寻找的 Gen AI、广义语言建模（LLM）和自然语言处理（NLP）所需的基本技能。

Gen AI 工程师设计能够理解人类语言的系统。他们使用 LLM 和机器学习来构建这些系统。

您将在该计划中获得的技能

使用 BERT、GPT 和 LLaMA 等框架和模型构建应用程序。
使用 Hugging Face Transformers 库。
使用 PyTorch 深度学习库。
开发和预置基于 NLP 的应用程序。
探索标记化、数据负载、语言和实施模型。
变压器技术和注意力机制的应用。
命令工程。

通过本专业的这一系列短期课程，您将通过动手实验和项目获得实践经验，这非常适合面试。

先决条件

请注意，您需要具备 Python、机器学习和神经网络的基本知识。了解 PyTorch 会有所帮助。

实践学习项目

通过每门课程中的动手实验和项目，您将获得使用 LLM 开发基于 NLP 的应用程序的动手实践技能。实验室和项目包括：

为 NLP 创建数据负载。
使用神经网络开发和训练语言模型。
应用 transformer 对翻译模型进行分类、构建和评估。
命令工程和情境学习。
调整模型。
实现 LangChain 工具。
使用 RAG 和 LangChain 构建 AI 代理和应用程序。

在最后一门课程中，您将完成一个最终项目，在该项目中，您将应用所学知识来开发一个通过一系列实践实验回答问题的机器人。您将从不同的来源加载文档开始，然后实施文本划分策略以提高模型的响应能力，并使用 Watson 进行实施。您还将实施 RAG 以提高恢复能力，并设置 Gradio 界面来构建您的 Q&A 机器人。最后，您将进行测试并部署您的机器人。

Details of the courses that make up the specialization

删除 HTML 标签以提取纯文本

以下是删除 HTML 标签并仅保留纯文本的几种方法：

1. 在 Python 中使用正则表达式

import re
html_content = 'This is bold text.'
plain_text = re.sub('<[^', '', html_content)
print(plain_text)  # Output: This is bold text.

2. 在 Python 中使用 BeautifulSoup

from bs4 import BeautifulSoup
html_content = 'This is bold text.'
soup = BeautifulSoup(html_content, 'html.parser')
plain_text = soup.get_text()
print(plain_text)  # Output: This is bold text.

3. 使用 JavaScript

function stripHtml(html) {
    var tempDiv = document.createElement('div');
    tempDiv.innerHTML = html;
    return tempDiv.textContent || tempDiv.innerText || '';
}
var htmlContent = 'This is bold text.';
var plainText = stripHtml(htmlContent);
console.log(plainText);  // Output: This is bold text.

4. 使用 PHP

$html_content = 'This is bold text.';
$plain_text = strip_tags($html_content);
echo $plain_text;  // Output: This is bold text.