趋近智
趋近智
本课程对元学习原理及其在大规模基础模型少样本适应中的应用进行详细审视。内容包括先进算法、理论支撑以及实际实现方案，旨在高效地使大型语言模型和视觉Transformer等模型适应新任务，仅需少量数据。本课程会研习基于梯度的、基于度量的和基于优化的元学习方法，并讲解与基础模型相关的专用适应技术。
先修课程 扎实的机器学习与深度学习知识。
级别:
高级元学习算法
实践并分析复杂的基于梯度的、基于度量的以及基于优化的元学习算法。
基础模型适应
为大型基础模型设计并运用有效的少样本适应策略。
可扩展性技术
处理将元学习应用于大规模模型时面临的计算与内存挑战。
理论理解
理解不同元学习方法在基础模型背景下的理论保证与局限。
参数高效方法
分析并比较元学习与参数高效微调（PEFT）技术在少样本适应中的表现。
实践经验
获得为基础模型实现元学习适应流程的实践经验。