Kontakt aufnehmen

Schulungsübersicht

Einführung

  • Was sind Large Language Models (LLMs)?
  • LLMs im Vergleich zu traditionellen NLP-Modellen
  • Überblick über Funktionen und Architektur von LLMs
  • Herausforderungen und Grenzen von LLMs

Verständnis von LLMs

  • Der Lebenszyklus eines LLMs
  • Funktionsweise von LLMs
  • Hauptkomponenten eines LLMs: Encoder, Decoder, Attention, Embeddings usw.

Erste Schritte

  • Einrichten der Entwicklungsumgebung
  • Installation eines LLM als Entwicklungstool, z. B. Google Colab, Hugging Face

Arbeit mit LLMs

  • Erforschung verfügbarer LLM-Optionen
  • Erstellung und Nutzung eines LLMs
  • Fine-Tuning eines LLMs auf einem eigenen Datensatz

Textzusammenfassung

  • Verstehen der Aufgabe der Textzusammenfassung und deren Anwendungen
  • Nutzung eines LLMs für extraktive und abstraktive Textzusammenfassung
  • Bewertung der Qualität der generierten Zusammenfassungen mittels Metriken wie ROUGE, BLEU usw.

Fragenbeantwortung

  • Verstehen der Aufgabe der Fragenbeantwortung und deren Anwendungen
  • Nutzung eines LLMs für Questions Answering im offenen und geschlossenen Bereich
  • Bewertung der Genauigkeit der generierten Antworten mittels Metriken wie F1, EM usw.

Textgenerierung

  • Verstehen der Aufgabe der Textgenerierung und deren Anwendungen
  • Nutzung eines LLMs für bedingte und unbedingte Textgenerierung
  • Steuerung von Stil, Tonfall und Inhalt der generierten Texte mittels Parametern wie Temperature, top-k, top-p usw.

Integration von LLMs mit anderen Frameworks und Plattformen

  • Nutzung von LLMs mit PyTorch oder TensorFlow
  • Nutzung von LLMs mit Flask oder Streamlit
  • Nutzung von LLMs mit Google Cloud oder AWS

Fehlerbehebung

  • Verständnis der häufigen Fehler und Bugs in LLMs
  • Nutzung von TensorBoard zur Überwachung und Visualisierung des Trainingsprozesses
  • Nutzung von PyTorch Lightning zur Vereinfachung des Trainingscodes und Verbesserung der Performance
  • Nutzung von Hugging Face Datasets zum Laden und Vorbereiten der Daten

Zusammenfassung und weitere Schritte

Voraussetzungen

  • Grundverständnis von Natural Language Processing (NLP) und Deep Learning
  • Erfahrung mit Python sowie PyTorch oder TensorFlow
  • Basisprogrammierungserfahrung

Zielgruppe

  • Entwicklerinnen und Entwickler
  • NLP-Enthusiastinnen und -Enthusiasten
  • Data Scientists
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien