Machine Learning 2.0: Transformer für Sprachverarbeitung und Bildgenerierung
.svg)
.svg)
.svg)
Machine Lerning Engineer
1. Der Weg bis zur Transformer-Technologie
- Warum sind Transformer eine bahnbrechende Entwicklung?
- Einsatzmöglichkeiten für Transformer-Modelle
- Der Weg bis zur Transformer-Technologie
- Überwachtes und unüberwachtes Lernen
- Die Zusammenhänge mit Deep Learning und Neuronalen Netzen
2. Voraussetzungen zum Verständnis von Transformern
- Multi-Layer Perception (MLP) und Feed-Forward-Netzwerke (FNN)
- Verlustfunktionen, Batch-Normalisierung und Encoder-Decoder-Architektur (ResNet)
- Einführung in N-Gramm und Word2Vec
- Recurrent Neural Networks (RNN) und Long Short-term Memory (LSTM)
3. Die Transformer-Architektur im Detail erklärt
- Transformer für große Sprachmodelle (LLM) verwenden
- Wort-Einbettungen, Positionsverschlüsselung, Self-Attention und Multihead-Attention
- Verbinden der Bausteine des Transformers
- Transformer-Modelle im Vergleich: BERT versus GPT
- Transformer für die Erkennung und Generierung von Bilddaten
- Architektur und Einsatz von Vision Transformern
4. Anwendung von Transformer-Modellen
- Anweisungstuning und Strategien für effektives Prompt Engineering
- Integration von Retrieval Augmented Generation (RAG) mit Transformer-Architekturen
- Fähigkeiten von Transformern zur Generierung verschiedener Medientypen
- Skalierbarkeit und adversariale (feindliche) Angriffe auf Transformer
Du erfährst alles über die technischen und mathematischen Grundlagen der neuen Transformer-Technologie und der Modelle, die damit entwickelt werden.
Du bekommst einen fundierten Eindruck davon, welche Möglichkeiten Transformer bieten und wo ihre Grenzen liegen.
Du verstehst, wie generative KI im Detail funktioniert und wie du generative KI in den Bereichen Text- und Bildgenerierung entwickelst.
Du lernst mit Retrieval Augmented Generation (RAG) ein Verfahren kennen, mit dem du mit Transformern externe Informationen verarbeiten kannst.
Du erhältst Einsichten in das Training, in die Evaluation, in die Anwendung und Integration von Transformer-Modellen.
Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt.
Die individuelle Betreuung durch die Referent:innen ist garantiert – im virtuellen Klassenraum oder individuell in Break-out-Sessions.
Die Fallbeispiele werden in Form von Jupyter Notebooks bereitgestellt, die du ganz einfach lokal auf dem eigenen Rechner installieren kannst. Technische Vorkenntnisse brauchst du dafür nicht.
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 die komplexe Transformer-Technologie im Detail verstehen und im Rahmen von eigenen Projekten einsetzen möchten.
Developer, die Applikationen mit generativer KI entwickeln möchten, erfahren, wie die dahinter liegenden Datenmodellen aufgebaut sind und wie sie funktionieren.
Data Scientists und Data Analysts erfahren, wie Modelle mit der Transformer-Technologie erstellt werden und wie sie für Datenanalysen herangezogen werden können.
Software-Architekten und -Designer lernen die Konzepte kennen, die hinter generativer KI und großen Sprachmodellen stehen, und bekommen Impulse für Integration und Deployment.
Grundlegende Kenntnisse in mathematischer Algebra, Statistik und Machine-Learning-Konzepten werden vorausgesetzt.
Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum Machine Learning Engineer, Data Engineer und Data Scientist.
.jpg)
.svg)
