Hugging Face 推出了四门完全免费且开源的 AI 学习课程，基于 Hugging Face 生态进行教学。除深度强化学习课程外，其他三门均提供中文版本。
一、深度强化学习（Deep RL Course）
深度强化学习的理论学习以及实践，并学会使用知名的深度强化学习库。
课程大纲如下：
- 深度强化学习介绍
- Q 学习介绍
- 使用 Atari 游戏的深度 Q 学习
- 使用 PyTorch 的策略梯度
- Unity ML-Agents 介绍
- 使用机器人环境的演员 - 评论家方法
- 多智能体和人工智能对抗介绍
- 强化学习高级主题
在本课程中，您将：
- 📖 研究深度强化学习的理论和实践
- 🧑💻 学习使用著名的深度强化学习库，例如 Stable Baselines3、RL Baselines3 Zoo、Sample Factory 和 CleanRL
- 🤖 在独特的环境中训练，例如 SnowballFight、Huggy the Doggo、VizDoom (Doom) 以及经典环境，例如 Space Invaders、PyBullet 等
二、自然语言处理（NLP Course）
将了解并熟悉 Transformer 相关知识，学会解决最常见的 NLP 问题，最后学习如何构建和分享模型。
第 1 章到第 4 章介绍了 🤗 Transformers 库的主要概念。在本部分课程结束时，您将熟悉 Transformer 模型的工作原理，并了解如何使用 Hugging Face Hub 中的模型，在数据集上对其进行微调，并在 Hub 上分享您的结果！
第 5 章到第 8 章在深入研究经典 NLP 任务之前介绍了 🤗 数据集和 🤗 标记器的基础知识。学完本部分后，您将能够自己解决最常见的 NLP 问题。
第 9 章到第 12 章超越了 NLP，并探讨了如何使用 Transformer 模型来处理语音处理和计算机视觉中的任务。在此过程中，您将学习如何构建和共享模型的演示，并针对生产环境优化它们。在本部分结束时，您将准备好将 🤗 Transformer 应用于（几乎）任何机器学习问题！
三、音频课程（Audio Course）
学会如何使用 Transformer 解决各种各样与音频有关的任务，如语音识别、音频分类、或是文字生成语音等。
该课程分为几个单元，深入涵盖各种主题：
- 了解处理音频数据的细节，包括音频处理技术和数据准备
- 了解音频应用程序并学习如何使用 🤗 Transformers 管道执行不同的任务，例如音频分类和语音识别
- 探索音频转换器架构，了解它们有何不同以及它们最适合执行哪些任务
- 学习如何构建自己的音乐流派分类器
- 深入研究语音识别并建立模型来转录会议录音
- 学习如何从文本生成语音
- 学习如何使用 Transformer 构建真实世界的音频应用程序
四、开源 AI 指南
学会如何利用开源工具和模型来开发 AI 应用，以及解决各种机器学习问题的实际方案。
最近添加的内容包括：
- 实施语义缓存以改进 RAG 系统
- 使用 LlamaIndex 构建 RAG 电子书'图书馆员'
- 稳定扩散插值
- 使用 Gemma、MongoDB 和开源模型构建 RAG 系统
- 使用 PEFT 库进行快速调整
- 使用 TGI 的消息 API 从 OpenAI 迁移到 Open LLM
- 通过推理端点自动嵌入 TEI
- 使用 Hugging Face Zephyr 和 LangChain 解决 GitHub 问题的简单 RAG
- 使用转换器、数据集和 FAISS 嵌入多模态数据以进行相似性搜索
- 在单个 GPU 上对自定义代码进行代码 LLM 微调
- 使用综合数据和法学硕士法官进行 RAG 评估
- 使用 LangChain 的 HuggingFace 文档上的高级 RAG
- 使用 Cleanlab 检测文本数据集中的问题
