Benutzerdefinierte Schichten und Modelle in Keras erstellen und Keras mit TensorFlow 2.x integrieren

Entwicklung fortgeschrittener Faltungsneuronaler Netze (CNNs) mit Keras

Entwicklung von Transformer-Modellen für sequentielle Daten und Zeitreihenvorhersagen

Erklärung der Schlüsselkonzepte des unüberwachten Lernens in Keras, Deep Q-networks (DQNs) und Reinforcement Learning

Berufsreife PyTorch-Kenntnisse, die Arbeitgeber benötigen, in nur 6 Wochen

Wie man lineare Regressionsmodelle von Grund auf mit den Funktionen von PyTorch implementiert und trainiert

Schlüsselkonzepte der logistischen Regression und ihre Anwendung auf Klassifizierungsprobleme

Umgang mit Daten und Training von Modellen unter Verwendung von Gradientenabstieg zur Optimierung

Schlüsselkonzepte der Softmax-Regression und Verständnis ihrer Anwendung bei Mehrklassen-Klassifikationsproblemen.

Wie man flache neuronale Netze mit verschiedenen Architekturen entwickelt und trainiert.

Schlüsselkonzepte von tiefen neuronalen Netzen, einschließlich Techniken wie Dropout, Gewichtsinitialisierung und Batch-Normalisierung.

Entwicklung von neuronalen Faltungsnetzen, Anwendung von Schichten und Aktivierungsfunktionen.

Erstellen Sie ein Deep Learning-Modell, um ein echtes Problem zu lösen.

Führen Sie den Prozess der Erstellung einer Deep Learning-Pipeline durch.

Wenden Sie Ihr Wissen über Deep Learning an, um Modelle anhand echter Daten zu verbessern.

Demonstrieren Sie die Fähigkeit, die Ergebnisse von Deep Learning-Projekten zu präsentieren und zu kommunizieren.

Unterscheiden Sie zwischen generativen KI-Architekturen und -Modellen, wie RNNs, Transformers, VAEs, GANs und Diffusionsmodellen.

Beschreiben Sie, wie LLMs, wie z.B. GPT, BERT, BART und T5, in der Sprachverarbeitung eingesetzt werden.

Implementieren Sie Tokenisierung zur Vorverarbeitung von Textrohdaten mit NLP-Bibliotheken wie NLTK, spaCy, BertTokenizer und XLNetTokenizer.

Erstellen Sie einen NLP-Datenlader mit PyTorch, um Tokenisierung, Numerisierung und Auffüllen von Textdaten durchzuführen.

Erklären Sie, wie man One-Hot-Codierung, Bag-of-Words, Embedding und Embedding Bags verwendet, um Wörter in Features zu konvertieren.

Erstellen und verwenden Sie word2vec-Modelle für die kontextuelle Einbettung.

Erstellen und Trainieren eines einfachen Sprachmodells mit einem neuronalen Netz.

Verwendung von N-Gramm- und Sequenz-zu-Sequenz-Modellen für die Dokumentenklassifizierung, Textanalyse und Sequenztransformation.

Erklären Sie das Konzept der Aufmerksamkeitsmechanismen bei Transformatoren, einschließlich ihrer Rolle bei der Erfassung von Kontextinformationen.

Beschreiben Sie die Sprachmodellierung mit dem decoderbasierten GPT und dem encoderbasierten BERT.

Implementierung von Positionskodierung, Maskierung, Aufmerksamkeitsmechanismus, Dokumentenklassifizierung und Erstellung von LLMs wie GPT und BERT.

Verwenden Sie transformatorbasierte Modelle und PyTorch-Funktionen zur Textklassifizierung, Sprachübersetzung und Modellierung.

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.

Gefragtes KI-Ingenieurwissen zur Feinabstimmung von LLMs, nach denen Arbeitgeber aktiv suchen, in nur 2 Wochen

Befehlsabstimmung und Belohnungsmodellierung mit dem Hugging Face, plus LLMs als Richtlinien und RLHF

Direkte Präferenzoptimierung (DPO) mit Partitionsfunktion und Hugging Face und wie man eine optimale Lösung für ein DPO-Problem erstellt

Verwendung der Proximal Policy Optimization (PPO) mit Hugging Face zur Erstellung einer Scoring-Funktion und zur Tokenisierung von Datensätzen

Nachgefragte, berufsrelevante Fähigkeiten, die Unternehmen benötigen, um KI-Agenten mit RAG und LangChain in nur 8 Stunden zu erstellen.

Wie man die Grundlagen des kontextbezogenen Lernens und fortgeschrittene Methoden des Prompt-Engineering anwendet, um das Prompt-Design zu verbessern.

Wichtige LangChain-Konzepte, Werkzeuge, Komponenten, Chat-Modelle, Ketten und Agenten.

Wie man RAG, PyTorch, Hugging Face, LLMs und LangChain-Technologien auf verschiedene Anwendungen anwendet.

Sammeln Sie praktische Erfahrungen bei der Entwicklung Ihrer eigenen realen KI-Anwendung, über die Sie in Vorstellungsgesprächen sprechen können.

Praktische Anwendung von LangChain zum Laden von Dokumenten und Anwendung von Textsplitting-Techniken mit RAG und LangChain zur Verbesserung der Reaktionsfähigkeit des Modells.

Erstellen und Konfigurieren einer Vektordatenbank zum Speichern von Dokumenteneinbettungen und Entwickeln eines Retrievers zum Abrufen von Dokumentensegmenten auf der Grundlage von Abfragen.

Einrichtung einer einfachen Gradio-Schnittstelle für die Interaktion mit dem Modell und Konstruktion eines QA-Bots mit LangChain und einem LLM zur Beantwortung von Fragen aus geladenen Dokumenten.