ChatGPT Schulungen finden - Das passende Seminar in Ihrer Nähe

Ziel dieses Kurses ist es, den Teilnehmern das notwendige Wissen und die praktischen Fähigkeiten zu vermitteln, um große Sprachmodelle (LLMs) gezielt auf individuelle Anwendungsfälle anzupassen. Sie lernen, wie Fine-Tuning effektiv durchgeführt wird - von der Auswahl geeigneter Modelle über die Datenaufbereitung bis zur Modelloptimierung. Besonderes Augenmerk liegt auf ressourcenschonenden Verfahren wie PEFT und LoRA, die auch ohne High-End-Hardware produktive Ergebnisse liefern.

Darüber hinaus verstehen die Teilnehmenden, wie sie RAG-Architekturen einsetzen, um externe Wissensquellen mit LLMs zu verknüpfen. Sie lernen, wie Dokumente vorbereitet, Vektorindizes erstellt und Retrieval-Pipelines aufgebaut werden. Die Kombination aus Fine-Tuning und RAG befähigt sie, LLMs so zu personalisieren, dass diese präzise, kontextrelevante und aktuelle Informationen liefern.

Ein weiteres Ziel ist es, den Teilnehmenden praxisrelevante Best Practices für die Evaluierung und den produktiven Einsatz von angepassten LLMs zu vermitteln. Sie werden in die Lage versetzt, eigene Projekte eigenständig zu planen und umzusetzen - sowohl in Cloud-Umgebungen als auch lokal. Nach dem Kurs sind sie in der Lage, Fine-Tuning- und RAG-Methoden sicher anzuwenden und daraus robuste, individuelle LLM-Anwendungen zu entwickeln.

Diese Masterclass vermittelt ein tiefgehendes Verständnis darüber, wie LLMs aufgebaut, trainiert und optimiert werden. Die Teilnehmenden lernen, eigene Transformer-Modelle zu entwickeln, die richtigen Datensätze aufzubereiten, Tokenizer zu trainieren und den gesamten Trainingsprozess von LLMs nachzuvollziehen. Neben dem Training von Modellen wird auch Feintuning, Evaluierung und Optimierung behandelt. Nach dem Kurs sind die Teilnehmenden in der Lage, ein eigenes kleines LLM zu trainieren, es zu evaluieren und in Anwendungen zu integrieren. 

Diese Masterclass vermittelt ein tiefgehendes Verständnis darüber, wie LLMs aufgebaut, trainiert und optimiert werden. Die Teilnehmenden lernen, eigene Transformer-Modelle zu entwickeln, die richtigen Datensätze aufzubereiten, Tokenizer zu trainieren und den gesamten Trainingsprozess von LLMs nachzuvollziehen. Neben dem Training von Modellen wird auch Feintuning, Evaluierung und Optimierung behandelt. Nach dem Kurs sind die Teilnehmenden in der Lage, ein eigenes kleines LLM zu trainieren, es zu evaluieren und in Anwendungen zu integrieren. 

Dieser Kurs richtet sich an Einsteiger:innen im Bereich Deep Learning, die eine solide Grundlage der wichtigsten Konzepte suchen, die für die Erstellung von Deep-Learning-Modellen mit bekannten Methoden erforderlich sind. Der Kurs geht davon aus, dass Sie zuvor keine umfangreichen Erfahrungen mit neuronalen Netzen und Deep Learning gemacht haben und beginnt mit einer Übersicht über die für Deep Learning erforderlichen Grundlagen des maschinellen Lernens. Dann wird erklärt, wie man Daten durch Bereinigung und Vorverarbeitung für Deep Learning vorbereitet, und es werden nach und nach neuronale Netze und die überwachten neuronalen Netzarchitekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Generative Adversarial Networks (GANs) sowie unüberwachte Architekturen wie Autoencoder (AEs), Variational Autoencoder (VAEs) und Restricted Boltzmann Machines (RBMs) und Transformer vorgestellt.

 

Zu den praktischen Anwendungen werden die Klassifizierung von Texten in vordefinierte Kategorien, die syntaktische Analyse, die Stimmungsanalyse, die synthetische Generierung von Text und das Tagging von Sprachbestandteilen behandelt. Im Rahmen der Bildverarbeitung werden die Klassifizierung von Bildern in verschiedene Kategorien und der fortgeschrittenen Objekterkennung mit zugehörigen Bildkommentaren sowie die Generierung von Bildern mithilfe von Autoencodern und GANs in Programmcode (Python) umgesetzt.

Dieser Kurs richtet sich an Einsteiger:innen im Bereich Deep Learning, die eine solide Grundlage der wichtigsten Konzepte suchen, die für die Erstellung von Deep-Learning-Modellen mit bekannten Methoden erforderlich sind. Der Kurs geht davon aus, dass Sie zuvor keine umfangreichen Erfahrungen mit neuronalen Netzen und Deep Learning gemacht haben und beginnt mit einer Übersicht über die für Deep Learning erforderlichen Grundlagen des maschinellen Lernens. Dann wird erklärt, wie man Daten durch Bereinigung und Vorverarbeitung für Deep Learning vorbereitet, und es werden nach und nach neuronale Netze und die überwachten neuronalen Netzarchitekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Generative Adversarial Networks (GANs) sowie unüberwachte Architekturen wie Autoencoder (AEs), Variational Autoencoder (VAEs) und Restricted Boltzmann Machines (RBMs) und Transformer vorgestellt.

 

Zu den praktischen Anwendungen werden die Klassifizierung von Texten in vordefinierte Kategorien, die syntaktische Analyse, die Stimmungsanalyse, die synthetische Generierung von Text und das Tagging von Sprachbestandteilen behandelt. Im Rahmen der Bildverarbeitung werden die Klassifizierung von Bildern in verschiedene Kategorien und der fortgeschrittenen Objekterkennung mit zugehörigen Bildkommentaren sowie die Generierung von Bildern mithilfe von Autoencodern und GANs in Programmcode (Python) umgesetzt.

In diesem Kurs lernst du den Einsatz von Power Platform-Lösungen zur Vereinfachung, Automatisierung und Stärkung von Geschäftsprozessen für Organisationen in der Rolle eines/r funktionalen Berater:in.

Entdecken Sie die Welt des Prompt Engineerings und lernen Sie, wie Sie das Potenzial generativer KI-Modelle gezielt nutzen. Dieses praxisorientierte Seminar vermittelt Ihnen fundiertes Wissen über die Grundlagen der Künstlichen Intelligenz, die Bedeutung von Prompts und deren Einfluss auf die Qualität der KI-Antworten. In praxisnahen Übungen entwickeln Sie Schritt für Schritt effektive Prompts und verfeinern diese, um maßgeschneiderte KI-Lösungen für Ihr Unternehmen zu erstellen. Ob Einsteiger oder erfahrener Anwender - dieses Seminar bietet Ihnen wertvolle Einblicke und praktische Fähigkeiten, um die Möglichkeiten der KI gewinnbringend einzusetzen und innovative Lösungen für Ihre Geschäftsprozesse zu gestalten.
Das Ziel dieses Seminars ist es, den Teilnehmern ein tiefes Verständnis für die Grundlagen und fortgeschrittenen Techniken des Prompt Engineerings zu vermitteln. Die Teilnehmer werden in die Lage versetzt, maßgeschneiderte Prompts zu erstellen, die Qualität und Effizienz von KI-generierten Inhalten zu optimieren, sowie konkrete Anwendungsfälle in ihrem Unternehmen zu identifizieren und umzusetzen. Am Ende des Trainings sind die Teilnehmer in der Lage, eigenständig Strategien zu entwickeln, um die Potenziale generativer KI-Modelle gewinnbringend zu nutzen.

Nach Abschluss des Seminars werden Sie in der Lage sein:

Die Grundlagen generativer KI und deren Rolle im Unternehmenskontext zu verstehen.

Effektive Prompts zu entwickeln und de...

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage, bestehende LLMs und KI-Tools gezielt für Softwareprojekte zu nutzen. Sie verstehen die Limitierungen und Risiken von LLMs, können effektive Prompts für verschiedene Coding-Szenarien schreiben und lernen relevante Frameworks wie LangChain oder Haystack für Retrieval-Augmented Generation (RAG) kennen. Praktische Hands-on-Sessions helfen dabei, LLMs effizient in Anwendungen zu integrieren, Daten sicher zu verarbeiten und typische Herausforderungen wie Kontextgrenzen oder Sicherheitslücken zu meistern.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage, bestehende LLMs und KI-Tools gezielt für Softwareprojekte zu nutzen. Sie verstehen die Limitierungen und Risiken von LLMs, können effektive Prompts für verschiedene Coding-Szenarien schreiben und lernen relevante Frameworks wie LangChain oder Haystack für Retrieval-Augmented Generation (RAG) kennen. Praktische Hands-on-Sessions helfen dabei, LLMs effizient in Anwendungen zu integrieren, Daten sicher zu verarbeiten und typische Herausforderungen wie Kontextgrenzen oder Sicherheitslücken zu meistern.

Künstliche Intelligenz (KI) revolutioniert die Geschäftswelt, doch mit neuen Möglichkeiten kommen auch neue Pflichten. Der EU AI Act wird die erste umfassende Regulierung für KI in der EU und setzt klare Richtlinien für Unternehmen. Doch was bedeutet das konkret für Sie?
In diesem praxisnahen Seminar erhalten Sie einen klaren Überblick über die neuen Vorschriften und lernen, wie Sie Ihr Unternehmen rechtskonform und zukunftssicher aufstellen.
Unsere Experten vermitteln Ihnen verständlich und praxisnah, welche Anforderungen Sie beachten müssen und wie Sie Ihre KI-Projekte compliance-gerecht gestalten.

In diesem Seminar lernen Sie:

✔ Verständnis der neuen EU-Vorgaben: Überblick über den EU AI Act und dessen Auswirkungen auf Unternehmen
✔ Erkennen von Risiken und Compliance-Pflichten: Einordnung von KI-Systemen in die Risikoklassen und daraus resultierende Anforderungen
✔ Ethische und rechtliche Prinzipien der KI-Nutzung: Transparenz, Fairness, Datenschutz und DSGVO-Verknüpfungen
✔ Implementierung im Unternehmen: Praktische Maßnahmen zur Erfüllung der gesetzlichen Vorgaben
✔ Strategische Vorteile nutzen: Chancen der Regulierung zur Steigerung von Qualität, Vertrauen und Marktposition erkennen
✔ Direkte Anwendung mit Praxisbeispielen: Bearbeitung konkret...