Kontakt aufnehmen

Schulungsübersicht

Einführung in die Generative KI

  • Was ist Generative KI?
  • Geschichte und Entwicklung der Generativen KI
  • Wichtige Konzepte und Fachbegriffe
  • Überblick über Anwendungen und Potenzial der Generativen KI

Grundlagen des Machine Learnings

  • Einführung in das Machine Learning
  • Arten des Machine Learnings: Überwachtes, unüberwachtes und verstärkendes Lernen
  • Grundlegende Algorithmen und Modelle
  • Datenvorverarbeitung und Feature-Engineering

Grundlagen des Deep Learnings

  • Neuronale Netzwerke und Deep Learning
  • Aktivierungsfunktionen, Verlustfunktionen und Optimierer
  • Overfitting, Underfitting und Regularisierungstechniken
  • Einführung in TensorFlow und PyTorch

Überblick über generative Modelle

  • Arten generativer Modelle
  • Unterschiede zwischen diskriminativen und generativen Modellen
  • Anwendungsfälle für generative Modelle

Variational Autoencoders (VAEs)

  • Verständnis von Autoencodern
  • Die Architektur von VAEs
  • Der Latent Space und seine Bedeutung
  • Praxisprojekt: Aufbau eines einfachen VAE

Generative Adversarial Networks (GANs)

  • Einführung in GANs
  • Die Architektur von GANs: Generator und Diskriminator
  • Training von GANs und Herausforderungen
  • Praxisprojekt: Erstellung eines einfachen GAN

Fortgeschrittene generative Modelle

  • Einführung in Transformer-Modelle
  • Überblick über GPT-Modelle (Generative Pretrained Transformer)
  • Anwendungen von GPT bei der Textgenerierung
  • Praxisprojekt: Textgenerierung mit einem vortrainierten GPT-Modell

Ethik und Implikationen

  • Ethische Aspekte der Generativen KI
  • Verzerrungen (Bias) und Fairness in KI-Modellen
  • Zukunftsaussichten und verantwortungsvoller Umgang mit KI

Branchenspezifische Anwendungen der Generativen KI

  • Generative KI in Kunst und Kreativität
  • Anwendungen in Wirtschaft und Marketing
  • Generative KI in Wissenschaft und Forschung

Capstone-Projekt

  • Entwicklung und Vorschlag eines Projekts zur Generativen KI
  • Datenerhebung und -vorverarbeitung
  • Modellauswahl und Training
  • Auswertung und Präsentation der Ergebnisse

Zusammenfassung und weitere Schritte

Voraussetzungen

  • Grundlegendes Verständnis der Python-Programmierung
  • Kenntnisse in grundlegenden mathematischen Konzepten, insbesondere in Wahrscheinlichkeitsrechnung und linearer Algebra

Zielgruppe

  • Entwicklerinnen und Entwickler
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien