Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung
- Was sind Large Language Models (LLMs)?
- LLMs im Vergleich zu traditionellen NLP-Modellen
- Überblick über die Merkmale und Architektur von LLMs
- Herausforderungen und Grenzen von LLMs
Verstehen von LLMs
- Der Lebenszyklus eines LLMs
- Wie LLMs funktionieren
- Die Hauptkomponenten eines LLMs: Kodierer, Dekodierer, Aufmerksamkeit, Einbettungen, etc.
Erste Schritte
- Einrichten der Entwicklungsumgebung
- Installieren eines LLMs als Entwicklungswerkzeug, z.B. Google Colab, Hugging Face
Arbeiten mit LLMs
- Erkundung der verfügbaren LLM-Optionen
- Erstellen und Verwenden eines LLMs
- Feinabstimmung eines LLM auf einen benutzerdefinierten Datensatz
Text-Zusammenfassung
- Verstehen der Aufgabe der Textzusammenfassung und ihrer Anwendungen
- Verwendung eines LLMs für extraktive und abstrakte Textzusammenfassungen
- Evaluierung der Qualität der generierten Zusammenfassungen mit Hilfe von Metriken wie ROUGE, BLEU, etc.
Beantwortung von Fragen
- Verstehen der Aufgabe der Fragebeantwortung und ihrer Anwendungen
- Verwendung eines LLM für die Beantwortung von Fragen in offenen und geschlossenen Domänen
- Bewertung der Genauigkeit der generierten Antworten mit Hilfe von Metriken wie F1, EM, etc.
Textgenerierung
- Verstehen der Aufgabe der Texterzeugung und ihrer Anwendungen
- Verwendung eines LLM für bedingte und unbedingte Texterstellung
- Kontrolle des Stils, des Tons und des Inhalts der generierten Texte unter Verwendung von Parametern wie Temperatur, top-k, top-p, etc.
Integration von LLMs mit anderen Frameworks und Plattformen
- Verwendung von LLMs mit PyTorch oder TensorFlow
- Verwendung von LLMs mit Flask oder Streamlit
- Verwendung von LLMs mit Google Cloud oder AWS
Fehlersuche
- Verstehen der häufigen Fehler und Bugs in LLMs
- Verwendung von TensorBoard zur Überwachung und Visualisierung des Trainingsprozesses
- PyTorch Lightning verwenden, um den Trainingscode zu vereinfachen und die Leistung zu verbessern
- Verwendung von Hugging Face Datasets zum Laden und Vorverarbeiten der Daten
Zusammenfassung und nächste Schritte
Voraussetzungen
- Verständnis von natürlicher Sprachverarbeitung und Deep Learning
- Erfahrung mit Python und PyTorch oder TensorFlow
- Grundlegende Programmiererfahrung
Zielgruppe
- Entwickler
- NLP-Enthusiasten
- Datenwissenschaftler
14 Stunden
