Training: Neuronale Netze und Deep Learning Methoden

Sie lernen aktuelle Verfahren der Large Language Models (LLM) und der Generativen Künstlichen Intelligenz (GenAI) 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. Zudem werden Ansätze zur Anpassung von Dialogmodellen an Nutzererwartungen und zur Schlußfolgerung (Reasoning) diskutiert. 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 leistungsfähiger Toolkits (TensorFlow, Pytorch, HuggingFace, LangChain, etc.) in einem „virtuellen Labor“ erprobt und evaluiert. Dabei werden Optimierungsmöglichkeiten (z.B. Hyperparameter, Regularisierung und Prompt-Design) und die Tooleinbindung (z.B. Retriever, Summarizer) diskutiert und konkrete Anwendungsfälle und Einsatzmöglichkeiten erläutert.

Das webbasierte virtuelle Labor verfügt über ein umfangreiches Toolkit mit bewährter Open-Source-Software, sowie über einen Zugang zu leistungsfähiger GPU-Hardware. Es werden nicht nur aktuelle Open-Source-Modelle, sondern auch High-End-LLMs erprobt. 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.

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

Gute Grundkenntnisse in Statistik und Mathematik (u. a. Lineare Algebra, Wahrscheinlichkeitsrechnung, Optimierungsverfahren und Maschinelles Lernen) werden vorausgesetzt. Zur Vorbereitung steht ein Mathematik-Vorkurs zur Verfügung, der auf Anfrage auch vor der Buchung genutzt werden kann. Erste praktische Erfahrungen mit Maschinellem Lernen sowie grundlegende Programmierkenntnisse sind von Vorteil (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.

Termine