Coursera

Evaluate & Optimize LLM Performance

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues.
Coursera

Evaluate & Optimize LLM Performance

Ce cours fait partie de Spécialisation "LLM Optimization & Evaluation"

LearningMate

Instructeur : LearningMate

Inclus avec Coursera Plus

En savoir plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Intermédiaire

Expérience recommandée

4 heures à compléter
Planning flexible
Apprenez à votre propre rythme
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Intermédiaire

Expérience recommandée

4 heures à compléter
Planning flexible
Apprenez à votre propre rythme

Ce que vous apprendrez

  • Evaluate LLMs using metrics like BLEU & ROUGE run A/B tests for statistical significance, and optimize model performance with data-driven strategies.

Compétences que vous acquerrez

  • Catégorie : Natural Language Processing
  • Catégorie : Embeddings
  • Catégorie : Statistical Inference
  • Catégorie : Scripting
  • Catégorie : Large Language Modeling
  • Catégorie : Probability & Statistics
  • Catégorie : Statistical Hypothesis Testing
  • Catégorie : Statistical Analysis
  • Catégorie : Model Evaluation
  • Catégorie : LLM Application
  • Catégorie : Performance Metric
  • Catégorie : Statistical Methods
  • Catégorie : Test Script Development
  • Catégorie : Data-Driven Decision-Making
  • Catégorie : Model Optimization

Outils que vous découvrirez

  • Catégorie : Prompt Engineering

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Récemment mis à jour !

décembre 2025

Évaluations

3 affectations¹

Noté par l'IA voir l'avis de non-responsabilité
Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires
logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "LLM Optimization & Evaluation"
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
  • Apprenez de nouveaux concepts auprès d'experts du secteur
  • Acquérez une compréhension de base d'un sujet ou d'un outil
  • Développez des compétences professionnelles avec des projets pratiques
  • Obtenez un certificat professionnel partageable

Il y a 3 modules dans ce cours

This introductory module lays the groundwork for quantitative Large Language Mode (LLM) evaluation. Learners will discover why relying on intuition to judge model performance is unsustainable and explore the foundational metrics used to create automated, objective evaluation systems. We will cover both lexical similarity metrics (like BLEU and ROUGE-L) that assess text structure and semantic metrics (like cosine similarity) that capture meaning. By the end of this module, learners will have the conceptual understanding and practical code to build their first automated evaluation script.

Inclus

2 vidéos1 lecture1 devoir1 laboratoire non noté

This module transitions from raw metrics to credible conclusions. Learners will discover why statistical rigor is non-negotiable when comparing LLM outputs. They will learn to formulate clear hypotheses, design and analyze A/B tests, and interpret results such as p-values and confidence intervals to distinguish true performance gains from random noise. By the end of this module, learners will be equipped to make data-driven decisions with confidence, ensuring that changes to prompts, models, or parameters lead to statistically significant improvements.

Inclus

3 vidéos1 lecture1 devoir1 laboratoire non noté

This module transitions from raw metrics to credible conclusions. Learners will discover why statistical rigor is non-negotiable when comparing LLM outputs. They will learn to formulate clear hypotheses, design and analyze A/B tests, and interpret results such as p-values and confidence intervals to distinguish true performance gains from random noise. By the end of this module, learners will be equipped to make data-driven decisions with confidence, ensuring that changes to prompts, models, or parameters lead to statistically significant improvements.

Inclus

3 vidéos1 lecture1 devoir1 laboratoire non noté

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

LearningMate
275 Cours26 338 apprenants

Offert par

Coursera

En savoir plus sur Machine Learning

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Foire Aux Questions

Plus de questions

Aide financière disponible,

¹ Certains travaux de ce cours sont notés par l'IA. Pour ces travaux, vos Données internes seront utilisées conformément à Notification de confidentialité de Coursera.