Kontakt aufnehmen

Schulungsübersicht

Einführung in das Fine-Tuning

  • Was ist Fine-Tuning?
  • Anwendungsfälle und Vorteile des Fine-Tunings
  • Überblick über vortrainierte Modelle und Transferlernen

Vorbereitung auf das Fine-Tuning

  • Sammlung und Bereinigung von Datensätzen
  • Verständnis der aufgabenspezifischen Datenerfordernisse
  • Explorative Datenanalyse und Vorverarbeitung

Fine-Tuning-Techniken

  • Transferlernen und Feature-Extraktion
  • Fine-Tuning von Transformern mit Hugging Face
  • Fine-Tuning für überwachte versus unüberwachte Aufgaben

Fine-Tuning von Large Language Models (LLMs)

  • Anpassung von LLMs für NLP-Aufgaben (z. B. Textklassifizierung, Zusammenfassung)
  • Schulung von LLMs mit benutzerdefinierten Datensätzen
  • Kontrolle des LLM-Verhaltens durch Prompt Engineering

Optimierung und Evaluation

  • Hyperparameter-Tuning
  • Bewertung der Modellleistung
  • Umgang mit Overfitting und Underfitting

Skalierung der Fine-Tuning-Bemühungen

  • Fine-Tuning auf verteilten Systemen
  • Nutzung cloudbasierter Lösungen für Skalierbarkeit
  • Fallstudien: Großenmaßstab Fine-Tuning-Projekte

Best Practices und Herausforderungen

  • Best Practices für erfolgreiche Fine-Tuning-Projekte
  • Häufige Herausforderungen und Troubleshooting
  • Ethische Aspekte beim Fine-Tuning von KI-Modellen

Fortgeschrittene Themen (Optional)

  • Fine-Tuning multimodaler Modelle
  • Zero-Shot- und Few-Shot-Lernen
  • Erforschung der LoRA-Techniken (Low-Rank Adaptation)

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegende Kenntnisse im Machine Learning
  • Erfahrung in der Python-Programmierung
  • Vertrautheit mit vortrainierten Modellen und deren Anwendungen

Zielgruppe

  • Data Scientists
  • Machine-Learning-Ingenieure
  • KI-Forscher
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien