Training: Neuronale Netze und Deep Learning Methoden

*(ehemals Deep Learning and Generative AI)

Sie lernen aktuelle Verfahren der Large Language Models (LLM) und der Generativen AI kennen. Ausgehend von den Grundprinzipien des maschinellen Lernens wird die Repräsentation von Bedeutungen durch Einbettungsvektoren vorgestellt. Mit Hilfe von Self-Attention können extrem leistungsfähige kontextabhängige Einbettungen konstruiert werden, die für vielfältige Aufgaben eingesetzt werden können. Sie erhalten einen umfassenden Deep Dive in die Funktionsweise von generativen Sprachmodellen (z.B. ChatGPT) und daraus abgeleiteten Modellen zur Bilderzeugung (z.B. DALL-E). Ergänzend werden verwandte state-of-the-art Modelle zur Zeitreihenanalyse und Robotersteuerung vorgestellt. Den Abschluss bildet die theoretische und praktische Einführung von LLM Agenten, die sprachliche Anfragen interpretieren, Lösungswege planen, Hintergrundwissen abrufen, und Aufgaben an spezialisierte Module verteilen.

In einer Reihe von praktischen Übungen werden die Modelle mithilfe leistungsfähigen Toolkits (TensorFlow, Pytorch, HuggingFace, LangChain, etc.) in einem „virtuellen Labor“ implementiert und erprobt. Dabei werden Optimierungsmöglichkeiten (z.B. Regularisierung und Prompt-Design) und die Tooleinbindung (z.B. Retriever, Summarizer) diskutiert und konkrete Anwendungsfälle, Geschäftsmodelle und Einsatzmöglichkeiten erläutert.

Das webbasierte virtuelle Labor besteht aus einem umfangreichen Toolkit mit bewährter Open-Source-Software und dem Zugang zu leistungsfähiger GPU-Hardware. Jupyter Notebooks erlauben nicht nur die Programmierung und Ausführung von Python-basierten Applikationen, sondern eignen sich mit ihren vielfältigen Annotationsmöglichkeiten ideal für den Austausch mit unseren Fachleuten.

Ausgehend von dem umfassenden Überblick durch den Grundkurs vermitteln die Vertiefungsmodule „Zeitreihenanalyse“, „Deep Learning for Textmining“, „Image and Video Understanding“ und „Cognitive Robotics“ Detailkenntnisse in den jeweiligen Gebieten.

Zielgruppe

Analyst*innen, Software-Entwickler*innen und Interessierte, die aus Daten mit maschinellen Lernverfahren Modelle – insbesondere generative AI-Modelle und Agenten - entwickeln möchten, die in intelligenten Systemen zum Einsatz kommen.

Vorkenntnisse

Vorkenntnisse in Statistik und Mathematik sind von Vorteil. Programmiererfahrung (z.B. Durcharbeiten des Python-Vorkurses).

Zertifizierung

Die Zertifizierung findet durch die Fraunhofer-Personenzertifizierungsstelle statt. Das Zertifikat bescheinigt den Absolventen relevantes innovatives Praxiswissen und nachgewiesene Kompetenz.

Zugangsvoraussetzungen für die Zertifizierung

Studium oder äquivalente Qualifikation durch Einzelnachweis.

Bitte nutzen Sie unsere FAQ für weitere organisatorische Fragen.