吴恩达创办的deeplearning.ai最近更新了一系列大模型相关的短课，每节课差不多都是一个多小时都可以学完。

　　利用Mistral的JSON模式生成结构化的JSON格式的LLM响应，使得LLM输出可以集成到更大的软件应用中。

　　使用Mistral的API调用用户定义的Python函数来执行任务，如网页搜索或从数据库检索文本，增强LLM寻找相关信息以回答用户查询的能力。

　　unsetQuantization Fundamentals with Hugging Faceunset

　　生成式AI模型，如大型语言模型，往往超出了消费级硬件的能力，并且运行成本昂贵。通过量化等方法压缩模型，可以使它们更高效、更快速、更易于访问。这使得它们可以在各种设备上运行，包括智能手机、个人电脑和边缘设备，并最小化性能退化。

　　使用Quanto库通过线性量化量化任何开源模型。获取线性量化实施概述。这种形式的量化可以应用于压缩任何模型，包括LLMs、视觉模型等。应用“下降转换”，另一种量化形式，通过Transformers库实现，这使您能够以大约一半的正常大小加载模型，数据类型为BFloat16。

　　unsetJavaScript RAG Web Apps with LlamaIndexunset

　　学习如何在JavaScript中构建一个RAG应用程序，并使用一个智能代理，它能够识别并从多个数据源中选择以回答您的查询。构建一个具有交互式前端组件的全栈Web应用程序，该组件可以与您的数据进行交互和聊天。学习如何持久化您的数据，启用与数据的聊天，并实现流式响应，所有这些都使用create-llama命令行工具实现。

　　学习从多种文档类型中提取和规范化内容，例如PDF、PowerPoint、Word和HTML文件、表格和图片，以扩展您的LLM可访问的信息。

　　探索文档图像分析技术，如布局检测、视觉和表格变换器，学习如何将这些方法应用于预处理PDF、图片和表格。

　　编写知识图谱查询，找到并格式化文本数据，为检索增强生成的大型语言模型（LLM）提供更相关的上下文。

　　unsetBuilding Applications with Vector Databasesunset

　　学习如何构建六种由向量数据库驱动的应用程序：语义搜索、检索增强生成（RAG）、异常检测、混合搜索、图像相似度搜索和推荐系统，每种使用不同的数据集。