Schulungsübersicht
Einführung in Generative KI
- Was ist Generative KI?
- Geschichte und Entwicklung der Generativen KI
- Schlüsselkonzepte und Fachbegriffe
- Überblick über Anwendungen und Potenzial der Generativen KI
Grundlagen des maschinellen Lernens
- Einführung in das maschinelle Lernen
- Arten des maschinellen Lernens: Überwachtes, unüberwachtes und verstärkendes Lernen
- Grundlegende Algorithmen und Modelle
- Datenvorverarbeitung und Feature-Engineering
Grundlagen des Deep Learning
- Neuronale Netze und Deep Learning
- Aktivierungsfunktionen, Verlustfunktionen und Optimierer
- Überanpassung, Unteranpassung und Regularisierungstechniken
- Einführung in TensorFlow und PyTorch
Überblick über generative Modelle
- Arten von generativen Modellen
- Unterschiede zwischen diskriminativen und generativen Modellen
- Anwendungsfälle für generative Modelle
Variational Autoencoder (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: Erstellen 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
- Bias (Verzerrung) und Fairness in KI-Modellen
- Zukünftige Implikationen und verantwortungsvolle KI
Branchenspezifische Anwendungen der Generativen KI
- Generative KI in Kunst und Kreativität
- Anwendungen in Wirtschaft und Marketing
- Generative KI in Wissenschaft und Forschung
Abschlussprojekt (Capstone Project)
- Ideenfindung und Vorlage eines Konzepts für ein Generative-KI-Projekt
- Datensammlung und Datenvorverarbeitung
- Modellauswahl und Training
- Bewertung und Präsentation der Ergebnisse
Zusammenfassung und weitere Schritte
Voraussetzungen
- Grundlegende Kenntnisse in der Python-Programmierung
- Erfahrungen mit grundlegenden mathematischen Konzepten, insbesondere Wahrscheinlichkeitsrechnung und Lineare Algebra
Zielgruppe
- Entwickler
Erfahrungsberichte (2)
Der interaktive Stil, die Übungen
Tamas Tutuntzisz
Kurs - Introduction to Prompt Engineering
Maschinelle Übersetzung
Eine großartige Sammlung von Ressourcen für zukünftige Nutzung, der Stil des Dozenten (voller Humor und mit großer Detailgenauigkeit)
Adam - GE Aerospace Poland Sp. z o.o.
Kurs - Prompt Engineering for ChatGPT
Maschinelle Übersetzung
