Die Nachfrage nach technischen KI-Fähigkeiten explodiert. Unternehmen suchen händeringend nach KI-Ingenieuren, die mit großen Sprachmodellen (LLMs) arbeiten können. Dieser Kurs "Generative AI Engineering and Fine-Tuning Transformers" vermittelt berufsrelevante Fähigkeiten, die Ihre KI-Karriere vorantreiben werden.
Generative KI-Technik und Feinabstimmung von Transformatoren
Dieser Kurs ist Teil mehrerer Programme.
Dozenten: Joseph Santarcangelo
1.782 bereits angemeldet
Bei enthalten
(13 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Gesuchte berufsreife Fähigkeiten, die Unternehmen für die Arbeit mit transformatorbasierten LLMs für generatives AI-Engineering benötigen... in nur 1 Woche.
Durchführung der parametereffizienten Feinabstimmung (PEFT) mit LoRA und QLoRA
Wie man vortrainierte Transformatoren für Sprachaufgaben verwendet und sie für spezifische Aufgaben fein abstimmt.
Laden von Modellen und ihren Schlussfolgerungen und Trainieren von Modellen mit Hugging Face.
Kompetenzen, die Sie erwerben
- Kategorie: Feinabstimmung der LLMs
- Kategorie: LoRA und QLoRA
- Kategorie: Vorbildungstransformatoren
- Kategorie: PyTorch
- Kategorie: Umarmendes Gesicht
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
September 2024
4 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 2 Module
In diesem Modul werden Sie in die Feinabstimmung eingeführt. Sie erhalten einen Überblick über generative Modelle und vergleichen die Frameworks Hugging Face und PyTorch. Sie erhalten außerdem Einblicke in die Modellquantisierung und lernen, wie man vortrainierte Transformatoren verwendet und diese dann mit Hugging Face und PyTorch fein abstimmt.
Das ist alles enthalten
5 Videos4 Lektüren2 Aufgaben4 App-Elemente
In diesem Modul erwerben Sie Kenntnisse über die parametereffiziente Feinabstimmung (PEFT) und lernen auch Adapter wie LoRA (Low-Rank Adaptation) und QLoRA (Quantized Low-Rank Adaptation) kennen. In praktischen Übungen werden Sie ein Basismodell trainieren und LLMs mit Hugging Face vortrainieren.
Das ist alles enthalten
4 Videos5 Lektüren2 Aufgaben2 App-Elemente4 Plug-ins
von
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
13 Bewertungen
- 5 stars
92,30 %
- 4 stars
0 %
- 3 stars
7,69 %
- 2 stars
0 %
- 1 star
0 %
Zeigt 3 von 13 an
Geprüft am 16. Nov. 2024
The coding part in the labs provided in this course was very helpful and helped me to stabilize my learning.
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Kurs dauert etwa 8 Stunden, so dass Sie innerhalb von nur einer Woche über die Fähigkeiten verfügen, die Sie brauchen, um einen Arbeitgeber zu beeindrucken!
Dieser Kurs ist auf mittlerem Niveau angesiedelt. Um den größtmöglichen Lernerfolg zu erzielen, müssen Sie über Grundkenntnisse in Python, PyTorch und der Transformer-Architektur verfügen. Sie sollten auch mit Konzepten des maschinellen Lernens und neuronaler Netze vertraut sein.
Dieser Kurs ist Teil der Generative AI Engineering mit LLMs Spezialisierung. Wenn Sie die Spezialisierung abschließen, werden Sie die Fähigkeiten und das Selbstvertrauen haben, um Job-Rollen wie KI-Ingenieur, NLP-Ingenieur, Ingenieur für maschinelles Lernen, Deep-Learning-Ingenieur, Datenwissenschaftler oder Software-Entwickler zu übernehmen, die sich bewerben wollen, um mit LLMs zu arbeiten.