Fine-Tuning: Como modelos pré-treinados aprendem novas habilidades
Do pré-treinamento ao PEFT (LoRA/QLoRA): entenda como adaptar LLMs para tarefas específicas sem PhD.
Curso didático e prático sobre fine-tuning de modelos de linguagem. Você entenderá o que é pré-treinamento, por que existem os "foundation models", como o loop de fine-tuning funciona, a diferença entre Full Fine-Tuning e PEFT (LoRA, QLoRA, Prompt Tuning), e quando fine-tuning NÃO é a melhor resposta, comparando com Prompt Engineering e RAG. Ao final, prova de certificação com 20 questões.
Acesso imediato após inscrição.
Conteúdo do curso
Módulo 1 — Fundamentos: por que Fine-Tuning importa
Contexto, motivação e mapa mental do curso.
- 1.1 — O que é fine-tuning (em uma frase)
- 1.2 — Onde o fine-tuning se encaixa no ciclo de vida do LLM
- 1.3 — Objetivos e mapa do curso
Módulo 2 — Pré-treinamento: a base de tudo
Predição da próxima palavra, foundation models, custo e escala.
- 2.1 — O problema que o pré-treinamento resolve
- 2.2 — Predição da próxima palavra
- 2.3 — Custo, escala e por que você não faz isso em casa
Módulo 3 — Fine-Tuning na prática
Loop de fine-tuning, diferenças, dados e learning rate.
- 3.1 — O loop de fine-tuning, passo a passo
- 3.2 — O que muda em relação ao pré-treinamento
- 3.3 — Dataset: o ingrediente que decide tudo
Módulo 4 — Full Fine-Tuning vs PEFT (LoRA, QLoRA)
Quando ajustar tudo e quando ajustar quase nada.
- 4.1 — Full Fine-Tuning: potente, caro, arriscado
- 4.2 — PEFT: LoRA e QLoRA
- 4.3 — Como escolher: matriz de decisão
Módulo 5 — Fine-Tuning é sempre a resposta? Prompt, RAG e alternativas
Escolhendo a ferramenta certa.
- 5.1 — Prompt Engineering: talvez seja tudo que você precisa
- 5.2 — RAG: quando o problema é conhecimento, não comportamento
- 5.3 — Combinação vencedora e checklist final