Beschreiben Sie die grundlegenden Konzepte des Deep Learning, der Neuronen und der künstlichen neuronalen Netze zur Lösung von Problemen aus der Praxis

Erklären Sie die Kernkonzepte und Komponenten neuronaler Netze und die Herausforderungen beim Training tiefer Netze

Erstellen Sie Deep-Learning-Modelle für Regression und Klassifizierung mit der Keras-Bibliothek und interpretieren Sie die Leistungsmetriken der Modelle effektiv.

Entwicklung fortschrittlicher Architekturen wie CNNs, RNNs und Transformatoren zur Lösung spezifischer Probleme wie Bildklassifizierung und Sprachmodellierung

Benutzerdefinierte Schichten und Modelle in Keras erstellen und Keras mit TensorFlow 2.x integrieren

Entwicklung fortgeschrittener Faltungsneuronaler Netze (CNNs) mit Keras

Entwicklung von Transformer-Modellen für sequentielle Daten und Zeitreihenvorhersagen

Erklärung der Schlüsselkonzepte des unüberwachten Lernens in Keras, Deep Q-networks (DQNs) und Reinforcement Learning

Berufsreife PyTorch-Kenntnisse, die Arbeitgeber benötigen, in nur 6 Wochen

Wie man lineare Regressionsmodelle von Grund auf mit den Funktionen von PyTorch implementiert und trainiert

Schlüsselkonzepte der logistischen Regression und ihre Anwendung auf Klassifizierungsprobleme

Umgang mit Daten und Training von Modellen unter Verwendung von Gradientenabstieg zur Optimierung

Schlüsselkonzepte der Softmax-Regression und Verständnis ihrer Anwendung bei Mehrklassen-Klassifikationsproblemen.

Wie man flache neuronale Netze mit verschiedenen Architekturen entwickelt und trainiert.

Schlüsselkonzepte von tiefen neuronalen Netzen, einschließlich Techniken wie Dropout, Gewichtsinitialisierung und Batch-Normalisierung.

Entwicklung von neuronalen Faltungsnetzen, Anwendung von Schichten und Aktivierungsfunktionen.

Erstellen Sie ein Deep Learning-Modell, um ein echtes Problem zu lösen.

Führen Sie den Prozess der Erstellung einer Deep Learning-Pipeline durch.

Wenden Sie Ihr Wissen über Deep Learning an, um Modelle anhand echter Daten zu verbessern.

Demonstrieren Sie die Fähigkeit, die Ergebnisse von Deep Learning-Projekten zu präsentieren und zu kommunizieren.

Unterscheidung zwischen generativen KI-Architekturen und -Modellen, wie RNNs, Transformatoren, VAEs, GANs und Diffusionsmodellen

Beschreiben, wie LLMs wie GPT, BERT, BART und T5 bei der Verarbeitung natürlicher Sprache eingesetzt werden

Implementierung von Tokenisierung zur Vorverarbeitung von Rohtext mit NLP-Bibliotheken wie NLTK, spaCy, BertTokenizer und XLNetTokenizer

Erstellen eines NLP-Datenladers in PyTorch, der Tokenisierung, Numerisierung und Auffüllen von Textdatensätzen übernimmt

Erläutern Sie, wie One-Hot-Codierung, Bag-of-Words, Embeddings und Embedding Bags Text in numerische Merkmale für NLP-Modelle umwandeln

Implementierung von Word2Vec-Modellen unter Verwendung von CBOW- und Skip-Gram-Architekturen zur Erzeugung kontextbezogener Worteinbettungen

Entwicklung und Training von Sprachmodellen auf der Grundlage neuronaler Netze unter Verwendung statistischer N-Gramme und Feedforward-Architekturen

Erstellung von Sequenz-zu-Sequenz-Modellen mit Encoder-Decoder-RNNs für Aufgaben wie maschinelle Übersetzung und Sequenzumwandlung

Die Rolle von Aufmerksamkeitsmechanismen in Transformationsmodellen zur Erfassung von Kontextbeziehungen in Texten zu erläutern

Die Unterschiede zwischen decoderbasierten Modellen wie GPT und encoderbasierten Modellen wie BERT bei der Sprachmodellierung zu beschreiben

Implementierung von Schlüsselkomponenten von Transformatormodellen, einschließlich Positionskodierung, Aufmerksamkeitsmechanismen und Maskierung, mit PyTorch

Anwendung von Transformator-basierten Modellen für reale NLP-Aufgaben, wie z.B. Textklassifizierung und Sprachübersetzung, unter Verwendung von PyTorch und Hugging Face Tools

Gefragte, arbeitsplatzreife Fähigkeiten, die Unternehmen für die Arbeit mit transformatorbasierten LLMs in generativer KI-Technik benötigen

Wie man eine parameter-effiziente Feinabstimmung (PEFT) mit Methoden wie LoRA und QLoRA durchführt, um das Modelltraining zu optimieren

Verwendung von vortrainierten Transformationsmodellen für Sprachaufgaben und deren Feinabstimmung für spezifische nachgelagerte Anwendungen

Laden von Modellen, Ausführen von Inferenzen und Trainieren von Modellen mit den Frameworks Hugging Face und PyTorch

Gefragt sind generative KI-Engineering-Fähigkeiten zur Feinabstimmung von LLMs, die von Arbeitgebern aktiv gesucht werden

Anweisungsabstimmung und Belohnungsmodellierung unter Verwendung von Hugging Face, sowie Verständnis von LLMs als Richtlinien und Anwendung von RLHF-Techniken

Direkte Präferenzoptimierung (DPO) mit Partitionsfunktion und Hugging Face, einschließlich der Definition optimaler Lösungen für DPO-Probleme

Proximale Politikoptimierung (PPO) mit Hugging Face zur Erstellung von Bewertungsfunktionen und Tokenisierung von Datensätzen für die Feinabstimmung

Gefragte, arbeitsplatzreife Fähigkeiten, die Unternehmen für den Aufbau von KI-Agenten mit RAG und LangChain in nur 8 Stunden benötigen

Wie man die Grundlagen des kontextbezogenen Lernens und der fortgeschrittenen Prompttechnik anwendet, um das Promptdesign zu verbessern

Wichtige LangChain-Konzepte, einschließlich Tools, Komponenten, Chat-Modelle, Ketten und Agenten

Wie man KI-Anwendungen durch die Integration von RAG, PyTorch, Hugging Face, LLMs und LangChain-Technologien erstellt

Sammeln Sie praktische Erfahrungen bei der Entwicklung Ihrer eigenen generativen KI-Anwendung, die Sie in Vorstellungsgesprächen präsentieren können

Erstellung und Konfiguration einer Vektordatenbank zur Speicherung von Dokumenteneinbettungen und Entwicklung eines Retrievers zum Abrufen relevanter Segmente auf der Grundlage von Benutzerabfragen

Einrichtung einer einfachen Gradio-Schnittstelle für die Benutzerinteraktion und Erstellung eines Frage-Antwort-Bots mit LangChain und einem großen Sprachmodell (LLM)