Natural Language Processing und generative Modelle mit Python und Transformern
.svg)
.svg)
.svg)
Machine Lerning Engineer
1. Python-Techniken für das Text Processing
- Python-Basics für die Textverarbeitung
- Text- und PDF-Dateien verarbeiten
- Die wichtigsten Regular Expressions
2. Einführung in Natural Language Processing (NLP)
- Konzepte des Natural Language Processings
- Einsatz der Bibliothek SpaCy zur Textanalyse
- Tokenization, Stemming und Lemmatization
- Part-of-speech und Named Entity Recognition
- Zerlegung von Texten mit Sentence Segmentation
3. Textklassifikation und Textanalyse
- Einführung in scikit-learn
- Evaluierung von Klassifikationsmodellen mit Präzision, Recall und F1-Score
- Semantisches Verständnis und Sentiment Analysis
- Vektorbasierte Textrepräsentationen mit Word Vectors
- Sentiment Analysis mit der Bibliothek NLTK
4. Topic Modelling und Long Short-Term Memory
- Einführung in das Topic Modelling
- Klassifizierung mit Latent Dirichlet Allocation (LDA)
- Strukturen erkennen mit Non-negative Matrix Factorization (NMF)
- Long Short-Term Memory, GRU und Text Generation
- Implementierung eines LSTM zur Texterstellung mit Keras
5. Transformer und Attention
- Das Konzept der Selbstaufmerksamkeit
- Multihead Attention und Bedeutung in NLP-Modellen
- Encoder und Decoder für maschinelle Übersetzung und Sprachverständnis
- Architekturkonzepte gängiger Transformer-Modelle: GPT-2/3/4, BERT
- Erstellen einer Transformer-Struktur mit Python und Keras
- Training und Evaluation eines Seq2Seq-Transformers
6. Transfer Learning und Finetuning mit Hugging Face
- Einführung in Hugging Face und Vorstellung vortrainierter Modelle
- Auswahl geeigneter Modelle und Tokenizer
- Transfer Learning und Finetuning vortrainierter Modelle
- Automatische Konfiguration und Anpassung von Modellen
7. Praxisprojekt: Trainieren eines eigenen Chatbots
Mit diesem Seminar erhältst du tiefgehendes Wissen über Konzepte und Methoden zum Einsatz sprachbasierter Künstlicher Intelligenz. Du lernst die grundlegenden Technologien kennen und erarbeitest dir dabei dabei umfassendes Wissen über die Transformator-Architektur, die Schlüsseltechnologie für die moderne generative KI ist.
Du erlernst die praktische Arbeit mit den wichtigsten Python-Frameworks und mit vortrainierten Modellen auf Hugging Face kennen und weißt, wie du sie in eigenen Projekten einsetzen kannst.
Die technischen Hürden für den Einstieg sind minimal – durch den Einsatz von Jupyter Notebooks und kostenfreier Cloud-GPUs.
Nach Abschluss dieses Trainings wirst du nicht nur fundierte theoretische Kenntnisse in der Sprachverarbeitung mit Künstlicher Intelligenz besitzen, sondern auch praktische Erfahrung in der Anwendung von Methoden und Frameworks. Du wirst fähig sein, eigene, auf Machine Learning basierende Sprachsysteme und -modelle zu entwickeln, anzupassen und produktiv einzusetzen. Zudem lernst du, wie du die Technologien in eigenen Projekten nutzen kannst. Dies qualifiziert dich für fortgeschrittene Aufgaben in der KI-Entwicklung.
Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt. Individuelle Betreuung durch die Referent:innen ist garantiert.
Die Praxisübungen werden in Form von Jupyter Notebooks bereitgestellt, die du lokal auf dem eigenen Rechner installieren kannst. Das rechenintensive Trainieren der Datenmodelle wird auf frei verfügbaren Cloud-GPUs durchgeführt.
Bei der Durchführung der praktischen Übungen stehen dir die Referent:innen zur Seite – im virtuellen Klassenraum oder individuell in Break-out-Sessions.
In deiner Online-Lernumgebung findest du nach der Anmeldung alle Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.
Dieses Training richtet sich an alle, die Machine Learning, maschinelle Sprachverarbeitung und generative KI im Detail verstehen und im Rahmen von eigenen Projekten einsetzen möchten.
Grundlegende Kenntnisse in der Programmierung mit Python werden vorausgesetzt. Weitergehendes technisches, mathematisches und statistisches Vorwissen ist hilfreich, aber nicht erforderlich.
Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum Data Scientist, Data Engineer und Machine Learning Engineer.
.jpg)
.svg)
