Dieses Modul behandelt die Grundlagen von Aufmerksamkeitsmechanismen, die Entwicklung von Transformatoren und wichtige LLMs wie GPT, PaLM und LLaMA. Es umfasst auf Anweisungen abgestimmte Modelle, API-Integration und reale Anwendungen. Sie werden auch das Open Source LLM-Ökosystem, Modellvergleiche, Hugging Face und wichtige ethische Überlegungen kennenlernen.

Dieses Modul behandelt die Grundlagen des Prompt Engineering, fortgeschrittene Prompting-Techniken wie "few-shot", "zero-shot" und "chain-of-thought" sowie Strategien zur Optimierung der generativen KI. Sie lernen, wie Vektor-Datenbanken (ChromaDB, Pinecone und Weaviate) semantische Suche und Retrieval-Augmented Generation Generation (RAG) ermöglichen. Die praktische Arbeit mit LangChain zeigt, wie man modulare KI-Anwendungen mit Prompt-Templates, Tools und Agenten für praktische, moderne Lösungen erstellt.

Dieses Modul behandelt Fine-Tuning und Optimierung generativer Modelle, einschließlich Grundlagen wie Datenerweiterung und Hyperparameter-Tuning sowie fortgeschrittene Methoden wie PEFT, LoRA und QLoRA für eine effiziente Anpassung. Sie lernen, wie man Modelle mit Hilfe von Metriken wie BLEU und ROUGE bewertet und dabei quantitative und qualitative Beurteilungen ausgleicht. Der Kurs führt auch in die Erstellung und Bereitstellung von KI-Lösungen mit LLMOps und branchenüblichen Best Practices für den praktischen Einsatz ein.

Dieses Modul dient zur Beurteilung der verschiedenen Konzepte und Lehren, die in diesem Kurs behandelt werden. Beurteilen Sie Ihr Wissen mit einem umfassenden, benoteten Quiz, einem Projekt und Laborübungen.