Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.3
17 Bewertungen
Stufe Mittel
Empfohlene Erfahrung
Empfohlene Erfahrung
Stufe „Mittel“
Sie sollten die ersten beiden Kurse des Programms abgeschlossen haben oder über gleichwertige Erfahrungen mit den in diesen Kursen vermittelten Konzepten verfügen.
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.3
17 Bewertungen
Stufe Mittel
Empfohlene Erfahrung
Empfohlene Erfahrung
Stufe „Mittel“
Sie sollten die ersten beiden Kurse des Programms abgeschlossen haben oder über gleichwertige Erfahrungen mit den in diesen Kursen vermittelten Konzepten verfügen.
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für dieses berufsbezogene Zertifikat angemeldet.
Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat von Microsoft zur Vorlage
In diesem Kurs gibt es 5 Module
Dieser Kurs konzentriert sich auf den Entwurf und die Implementierung von intelligenten Agenten zur Fehlerbehebung. Sie werden lernen, KI-gestützte Agenten zu erstellen, die Probleme selbstständig diagnostizieren und lösen können. Der Kurs behandelt die Verarbeitung natürlicher Sprache, Entscheidungsalgorithmen und Best Practices bei der Entwicklung von KI-Agenten. Am Ende dieses Kurses werden Sie in der Lage sein: 1. Definieren, beschreiben und entwerfen Sie die Architektur eines intelligenten Agenten zur Fehlerbehebung. 2. Implementierung von Techniken zur Verarbeitung natürlicher Sprache für die Benutzerinteraktion. 3. Entscheidungsalgorithmen für die Problemdiagnose und -lösung zu entwickeln. 4. Optimierung und Evaluierung der Leistung von KI-basierten Fehlerbehebungsagenten. Um diesen Kurs erfolgreich zu absolvieren, sollten Sie über fortgeschrittene Programmierkenntnisse in Python verfügen sowie Erfahrung mit KI- und ML-Infrastrukturen und Kernalgorithmen und -techniken, einschließlich Ansätzen, die vortrainierte großsprachige Modelle (LLMs) verwenden. Vertrautheit mit Statistik wird ebenfalls empfohlen.
In diesem Modul werden Sie sich mit den kritischen Prozessen und Methoden befassen, die bei der Feinabstimmung von LLMs beteiligt sind, um deren Leistung für spezifische Aufgaben zu verbessern.
Am Ende dieses Moduls werden Sie ein umfassendes Verständnis der Feinabstimmungstechniken haben und in der Lage sein, diese Methoden anzuwenden, um LLMs für spezifische, praktische Anwendungen zu verbessern.
Das ist alles enthalten
11 Videos29 Lektüren13 Aufgaben
Infos zu Modulinhalt anzeigen
11 Videos•Insgesamt 66 Minuten
Einführung in das AI/ML-Engineering-Zertifikatsprogramm für Fortgeschrittene•4 Minuten
Einführung in die LLM-Feinabstimmung für aufgabenspezifische Anpassung•4 Minuten
Die Bedeutung der Feinabstimmung eines LLM•4 Minuten
Exemplarische Vorgehensweise: Erstellen Ihres Code-Repositorys Teil 1 (optional)•5 Minuten
Exemplarische Vorgehensweise: Erstellen Ihres Code-Repositorys Teil 2 (optional)•8 Minuten
Demonstration des Anwendungsfalls: Auswahl und Vorbereitung von Daten für die Feinabstimmung•7 Minuten
Exemplarische Vorgehensweise: Vorbereiten eines Datensatzes für die Feinabstimmung (optional)•5 Minuten
Exkursion: Vergleich von Feinabstimmungsmethoden (fakultativ)•13 Minuten
Die Bedeutung von Bewertungsmaßstäben•5 Minuten
Zusammenfassung: Feinabstimmung der LLMs•4 Minuten
Exkursion: Feinabstimmung eines LLM (fakultativ)•7 Minuten
29 Lektüren•Insgesamt 724 Minuten
Willkommen in der Coursera-Gemeinschaft•2 Minuten
Microsoft aktualisiert•2 Minuten
Praktische Aktivität: Einrichten Ihrer Umgebung in Microsoft Azure•30 Minuten
Exemplarische Vorgehensweise: Einrichten Ihrer Umgebung in Microsoft Azure (optional)•0 Minuten
Praktische Aktivität: Erstellen Ihres Code-Repositorys•60 Minuten
Syllabus des Kurses•10 Minuten
Überblick über die LLM-Feinabstimmung•10 Minuten
LLM-Feinabstimmung: Grundsätze und Schritte•10 Minuten
Detaillierte Erläuterung der Grundsätze und Schritte der LLM-Feinabstimmung•10 Minuten
Überprüfung: Grundsätze und Schritte der LLM-Feinabstimmung•15 Minuten
Auswahl und Vorbereitung von Daten für die Feinabstimmung•10 Minuten
Praktische Tätigkeit: Auswahl von Modellen und Datensätzen•30 Minuten
Exemplarische Vorgehensweise: Modell- und Datensatzauswahl (optional)•0 Minuten
Praktische Tätigkeit: Vorbereiten eines Datensatzes für die Feinabstimmung•60 Minuten
Techniken zur Feinabstimmung•10 Minuten
Praktische Tätigkeit: Anwendung von PEFT•70 Minuten
Komplettlösung: Anwendung von PEFT (fakultativ)•0 Minuten
Praktische Tätigkeit: Anwendung von LoRA•30 Minuten
Exkursion: Anwendung von LoRA (fakultativ)•0 Minuten
Praktische Tätigkeit: Anwendung von QLoRA•85 Minuten
Exkursion: Anwendung von QLoRA (fakultativ)•0 Minuten
Praktische Tätigkeit: Vergleich von Feinabstimmungsmethoden•100 Minuten
Bewertung von Feinabstimmungsmodellen•10 Minuten
Detaillierte Erläuterung der Bewertungsmetriken•10 Minuten
Praxis-Aktivität: Anwendung von Bewertungsmaßstäben bei der Feinabstimmung von Modellen•65 Minuten
Exkursion: Anwendung von Bewertungsmetriken bei der Feinabstimmung von Modellen (fakultativ)•0 Minuten
Praktische Tätigkeit: Feinabstimmung eines LLM•65 Minuten
13 Aufgaben•Insgesamt 78 Minuten
Nachdenken: Einrichten Ihrer Umgebung in Microsoft Azure•3 Minuten
Überlegungen: Erstellen Ihres Code-Repositorys•3 Minuten
Überlegungen: LLM-Feinabstimmung•3 Minuten
Überlegungen: Auswahl von Modellen und Datensätzen•3 Minuten
Überlegungen: Vorbereiten eines Datensatzes für die Feinabstimmung•3 Minuten
Reflexion: Die Anwendung von PEFT•3 Minuten
Nachdenken: Die Anwendung von LoRA•3 Minuten
Reflexion: Anwendung von QLoRA•3 Minuten
Überlegungen: Vergleich von Feinabstimmungsmethoden•3 Minuten
Wissens-Check: Techniken zur Feinabstimmung•15 Minuten
Überlegungen: Anwendung von Bewertungsmaßstäben bei der Feinabstimmung von Modellen•3 Minuten
Überlegungen: Feinabstimmung eines LLM•3 Minuten
Benotetes Quiz: Feinabstimmung der LLMs•30 Minuten
Grundlagen der KI-Agenten
Modul 2•8 Stunden abzuschließen
Moduldetails
In diesem Modul werden Sie sich mit den entscheidenden Prozessen und Methoden des Fine-Tunings von LLMs befassen, um deren Leistung für bestimmte Aufgaben zu verbessern.
Am Ende dieses Moduls verfügen Sie über ein umfassendes Verständnis der Fine-Tuning-Techniken und sind in der Lage, diese Methoden anzuwenden, um LLMs für spezifische, praktische Anwendungen zu verbessern.
Das ist alles enthalten
5 Videos13 Lektüren7 Aufgaben
Infos zu Modulinhalt anzeigen
5 Videos•Insgesamt 35 Minuten
Einführung in AI-Agenten•5 Minuten
Unterschiede in Multiagentensystemen•6 Minuten
Demonstration von Anwendungsfällen: Multi-Agenten-Systeme•8 Minuten
Beispiele aus der Praxis: Wirksame KI-Fehlerbehebung•6 Minuten
Exemplarische Vorgehensweise: Entwurf eines intelligenten Fehlerbehebungsagenten (optional)•10 Minuten
13 Lektüren•Insgesamt 345 Minuten
Ausführliche Erläuterung der Grundsätze und der Architektur von KI-Agenten•10 Minuten
Verständnis von Multiagentensystemen•10 Minuten
Grundsätze von Multiagentensystemen•10 Minuten
Praktische Tätigkeit: Multi-Agenten-Systeme vs. Einzel-Agenten-Systeme•45 Minuten
Exkursion: Multi-Agenten-Systeme vs. Einzel-Agenten-Systeme (fakultativ)•0 Minuten
Entwurf intelligenter Agenten zur Fehlerbehebung•10 Minuten
Anforderungsdefinition für intelligente Fehlerbehebungsagenten•10 Minuten
Voraussetzungen für eine effektive AI-Fehlerbehebung•10 Minuten
Praktische Tätigkeit: Schlüsselanforderungen für die KI-Fehlerbehebung•85 Minuten
Exkursion: Wichtige Voraussetzungen für die KI-Fehlerbehebung (fakultativ)•0 Minuten
Diskussion: Bewährte Praktiken für die KI-Fehlerbehebung•60 Minuten
Zusammenfassung: KI-Agenten•10 Minuten
Praktische Tätigkeit: Entwerfen eines intelligenten Agenten zur Fehlerbehebung•85 Minuten
7 Aufgaben•Insgesamt 96 Minuten
Wissens-Check: KI-Agenten•15 Minuten
Überlegungen: Multi-Agenten-Systeme vs. Einzel-Agenten-Systeme•3 Minuten
Wissens-Check: Multi-Agenten-Systeme•15 Minuten
Wissens-Check: Entwurf intelligenter Agenten zur Fehlerbehebung•15 Minuten
Überlegungen: Schlüsselanforderungen für die KI-Fehlerbehebung•3 Minuten
Überlegungen: Entwurf eines intelligenten Agenten zur Fehlerbehebung•3 Minuten
Benotetes Quiz: AI-Agenten•42 Minuten
Verarbeitung natürlicher Sprache zur Fehlerbehebung
Modul 3•7 Stunden abzuschließen
Moduldetails
Dieses Modul bietet eine umfassende Einführung in die Integration von Techniken zur Verarbeitung natürlicher Sprache (NLP) in die Entwicklung intelligenter Agenten zur Fehlerbehebung. Sie werden lernen, grundlegende NLP-Methoden zu implementieren, effektive Chatbot-Schnittstellen zu entwerfen und Sentiment-Analysen anzuwenden, um die Benutzerinteraktionen zu verbessern. Am Ende dieses Moduls verfügen Sie über die Fähigkeiten, NLP-gesteuerte Chatbots für die Fehlerbehebung zu entwickeln und zu optimieren, grundlegende Textanalysetechniken anzuwenden, effektive Benutzeroberflächen zu erstellen und die Stimmungsanalyse zur Verbesserung der Benutzerinteraktionen einzusetzen.
Das ist alles enthalten
7 Videos10 Lektüren7 Aufgaben
Infos zu Modulinhalt anzeigen
7 Videos•Insgesamt 51 Minuten
Überblick über die Techniken der Verarbeitung natürlicher Sprache (NLP)•7 Minuten
Exemplarische Vorgehensweise: Entwicklung der Chatbot-Schnittstelle (optional)•9 Minuten
Demonstration eines Anwendungsfalls: Analyse von Gefühlen•5 Minuten
Exemplarische Vorgehensweise: Implementierung der Stimmungsanalyse (optional)•7 Minuten
Bewährte Verfahren für die Integration von NLP-Komponenten•6 Minuten
Modulzusammenfassung: NLP zur Fehlersuche•7 Minuten
Exemplarische Vorgehensweise: Implementierung von NLP zur Fehlerbehebung (optional)•8 Minuten
10 Lektüren•Insgesamt 280 Minuten
Ausführliche Erklärung: Prinzipien und Anwendungen von NLP•10 Minuten
Entwicklung einer Chatbot-Schnittstelle•10 Minuten
Praktische Aktivität: Entwicklung der Chatbot-Schnittstelle•30 Minuten
Überblick: Stimmungsanalyse•10 Minuten
Erläuterung der Stimmungsanalyse•10 Minuten
Praktische Tätigkeit: Implementierung der Stimmungsanalyse•75 Minuten
Integration von NLP-Komponenten•20 Minuten
Praktische Aktivität: Integration von NLP-Komponenten•55 Minuten
Komplettlösung: Integration von NLP-Komponenten (optional)•0 Minuten
Praktische Aktivität: Implementierung von NLP zur Fehlerbehebung•60 Minuten
7 Aufgaben•Insgesamt 72 Minuten
Wissens-Check: NLP-Techniken•15 Minuten
Überlegungen: Die Entwicklung der Chatbot-Schnittstelle•3 Minuten
Nachdenken: Implementierung der Stimmungsanalyse•3 Minuten
Wissens-Check: Gefühlsanalyse•15 Minuten
Reflexion: Integration von NLP-Komponenten•3 Minuten
Überlegungen: Implementierung von NLP zur Fehlerbehebung•3 Minuten
Benotetes Quiz: Implementierung von NLP zur Fehlerbehebung•30 Minuten
Implementierung des Fehlersuchagenten
Modul 4•10 Stunden abzuschließen
Moduldetails
Dieses Modul vermittelt Ihnen die Fähigkeiten zur Entwicklung eines hochentwickelten Agenten zur Fehlersuche mit Python. Das Modul umfasst die Codierung von Kernfunktionen, die Integration von ML-Modellen, die Implementierung von Algorithmen zur Entscheidungsfindung und die Einrichtung robuster Systeme zur Fehlerbehandlung und Protokollierung. Am Ende dieses Moduls werden Sie ein umfassendes Verständnis dafür haben, wie man einen Agenten zur Fehlersuche mit Python entwickelt und verfeinert. Sie werden in der Lage sein, Kernfunktionalitäten zu kodieren, ML-Modelle zur Klassifizierung von Problemen zu integrieren, Algorithmen zur Entscheidungsfindung zu implementieren und eine robuste Fehlerbehandlung und -protokollierung zu gewährleisten.
Das ist alles enthalten
6 Videos19 Lektüren9 Aufgaben
Infos zu Modulinhalt anzeigen
6 Videos•Insgesamt 42 Minuten
Exemplarische Vorgehensweise: Code für einen Fehlerbehebungsagenten in Python (optional)•8 Minuten
Exemplarische Vorgehensweise: Implementierung von Modellen zur Klassifizierung (optional)•8 Minuten
Wie man einen Algorithmus zur Entscheidungsfindung in Python implementiert•7 Minuten
Exemplarische Vorgehensweise: Erstellen eines Lösungsempfehlungssystems (optional)•7 Minuten
Exemplarische Vorgehensweise: Implementierung der Protokollierung in ML-Systemen (fakultativ)•6 Minuten
Exemplarische Vorgehensweise: Implementieren des Fehlerbehebungsagenten (optional)•5 Minuten
19 Lektüren•Insgesamt 500 Minuten
Kernfunktionen eines Fehlerbehebungsagenten•10 Minuten
Erläuterung der wichtigsten Komponenten•10 Minuten
Praktische Aktivität: Kodierung in Python•30 Minuten
Modelle zur Problemklassifizierung•10 Minuten
Erläuterung von Modellen zur Klassifizierung•10 Minuten
Praktische Tätigkeit: Implementierung von Modellen zur Klassifizierung•30 Minuten
Praktische Tätigkeit: Implementierung und Evaluierung von Klassifizierungsmodellen•90 Minuten
Exkurs: Implementierung und Evaluierung von Modellen zur Klassifizierung (fakultativ)•0 Minuten
Algorithmen zur Entscheidungsfindung•10 Minuten
Praktische Aktivität: Erstellen eines Algorithmus zur Entscheidungsfindung in Python•30 Minuten
Exemplarische Vorgehensweise: Erstellen eines Algorithmus zur Entscheidungsfindung in Python (optional)•0 Minuten
Komplettlösung: Implementierung von Mechanismen (fakultativ)•0 Minuten
Praktische Tätigkeit: Protokollierung•30 Minuten
Zusammenfassung: Fehlersuche bei Agenten•10 Minuten
Praktische Tätigkeit: Implementierung des Fehlersuchagenten•30 Minuten
9 Aufgaben•Insgesamt 54 Minuten
Nachdenken: Kodierung in Python•3 Minuten
Nachdenken: Implementierung von Modellen zur Klassifizierung•3 Minuten
Reflexion: Implementierung und Evaluierung von Modellen zur Klassifizierung•3 Minuten
Überlegungen: Erstellung eines Algorithmus zur Entscheidungsfindung in Python•3 Minuten
Reflexion: Lösungsvorschlag•3 Minuten
Überlegungen: Mechanismen zur Umsetzung•3 Minuten
Nachdenken: Protokollierung•3 Minuten
Überlegungen: Implementierung des Fehlerbehebungsagenten•3 Minuten
Benotetes Quiz: Fehlersuche bei Agenten•30 Minuten
Testen und Optimieren des Agenten
Modul 5•6 Stunden abzuschließen
Moduldetails
Dieses Modul konzentriert sich auf die kritischen Aspekte der Sicherstellung der Qualität und Leistung von Agenten zur Fehlerbehebung durch rigorose Tests, Leistungsüberwachung, Optimierung und reale Bewertung. Sie werden Fähigkeiten entwickeln, um Testfälle zu entwerfen, Überwachungssysteme zu implementieren, die Reaktionsfähigkeit zu verbessern und die Effektivität des Agenten in praktischen Anwendungen zu bewerten. Am Ende dieses Moduls werden Sie über das Fachwissen verfügen, um Agenten zur Fehlerbehebung rigoros zu testen, zu überwachen und zu optimieren, um sicherzustellen, dass sie in realen Situationen effektiv und effizient arbeiten.
Das ist alles enthalten
13 Videos8 Lektüren6 Aufgaben1 peer review
Infos zu Modulinhalt anzeigen
13 Videos•Insgesamt 72 Minuten
Entwurf von Testfällen•7 Minuten
Exkursion: Entwurf von Testfällen für ML-Systeme (optional)•7 Minuten
Hören Sie von einem Experten: Berücksichtigung kultureller, sprachlicher und kontextbezogener Nuancen•5 Minuten
Erläuterung der Optimierungstechniken•7 Minuten
Exkurs: Implementierung von Optimierungstechniken (optional)•7 Minuten
Exkursion: Bewertung der Wirksamkeit von Agenten (fakultativ)•7 Minuten
Hören Sie von einem Experten: Design mit dem Endnutzer im Hinterkopf•3 Minuten
Zusammenfassung: Testen und Optimieren des Agenten•6 Minuten
Exemplarische Vorgehensweise: Testen und Optimieren des ML-Agenten (optional)•7 Minuten
Hören Sie von einem Experten: Lösung unerwarteter Probleme bei der Implementierung•5 Minuten
Zusammenfassung des Kurses•4 Minuten
Exemplarische Vorgehensweise: Erstellen eines Fehlerbehebungsmittels (optional)•4 Minuten
Herzlichen Glückwunsch zum Abschluss des Kurses!•3 Minuten
8 Lektüren•Insgesamt 180 Minuten
Erläuterung des Testfallentwurfs•10 Minuten
Praktische Tätigkeit: Entwurf von Testfällen für ML-Systeme•30 Minuten
Optimierung von Reaktionszeit und Genauigkeit•10 Minuten
Praktische Tätigkeit: Anwendung von Optimierungstechniken•30 Minuten
Bewertung der Wirksamkeit der Mittel•10 Minuten
Praktische Tätigkeit: Bewertung der Wirksamkeit eines Mittels•30 Minuten
Praktische Tätigkeit: Testen und Optimieren des Agenten•30 Minuten
Kursaufgabe: Erstellung eines Mittels zur Fehlerbehebung•30 Minuten
6 Aufgaben•Insgesamt 45 Minuten
Überlegungen: Entwurf von Testfällen für ML-Systeme•3 Minuten
Nachdenken: Implementierung von Optimierungstechniken•3 Minuten
Überlegungen: Bewertung der Wirksamkeit von Agenten•3 Minuten
Überlegungen: Testen und Optimieren des Agenten•3 Minuten
Überlegungen: Herstellung eines Mittels zur Fehlerbehebung•3 Minuten
Benotetes Quiz: Testen und Optimieren des Agenten•30 Minuten
1 peer review•Insgesamt 90 Minuten
Aufgabe im Kurs: Verfassen des technischen Berichts•90 Minuten
Erwerben Sie ein Karrierezertifikat.
Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.
Unser Ziel bei Microsoft ist es, jeden Einzelnen und jede Organisation auf der Welt in die Lage zu versetzen, mehr zu erreichen. In dieser nächsten Revolution der digitalen Transformation wird das Wachstum durch Technologie angetrieben. Unser integrierter Cloud-Ansatz schafft eine unübertroffene Plattform für die digitale Transformation. Wir gehen auf die realen Bedürfnisse unserer Kunden ein, indem wir Microsoft 365, Dynamics 365, LinkedIn, GitHub, Microsoft Power Platform und Azure nahtlos integrieren, um für jede Organisation - vom Großunternehmen bis hin zum Familienbetrieb - geschäftliche Vorteile zu erschließen. Das Rückgrat und die Grundlage dafür ist Azure.
Sie sollten die ersten beiden Kurse des Programms abgeschlossen haben oder über gleichwertige Erfahrungen mit den in diesen Kursen vermittelten Konzepten verfügen.
Ist spezielle Hardware oder Software erforderlich?
Sie benötigen eine Lizenz für Microsoft Azure (oder eine kostenlose Testversion) und geeignete Hardware. Hinweis: Die kostenlose Testversion von Azure ist zeitlich begrenzt und kann vor Abschluss des Programms ablaufen.
Wann werde ich Zugang zu den Vorlesungen und Aufgaben haben?
Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich dieses Zertifikat abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugang zu allen Kursen des Zertifikats, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird zu Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen.
Finanzielle Unterstützung verfügbar, weitere Informationen
¹ Einige Aufgaben in diesem Kurs werden mit AI bewertet. Für diese Aufgaben werden Ihre Daten in Übereinstimmung mit Datenschutzhinweis von Courseraverwendet.