| Kursbeschreibung (description): |
Teilnehmende erhalten eine praxisnahe Einführung in fortgeschrittene Methoden der KI-Implementierung. Vermittelt werden Datenvisualisierung, Prompt Engineering für Fach- und Entwicklungskräfte sowie die Nutzung von LLMs und NLP zur Datenextraktion und -transformation. Behandelt werden Wissensextraktion, automatisierte Dokumentengenerierung in PDF oder docx sowie Techniken der Audio-Transkription.
|
|
| Zielgruppe (target group): |
- Entwickler
- IT-Fachkräfte
- KI-Beauftragte
- KI-Auditoren
|
|
| Voraussetzungen (requirements): |
|
|
| Ziele (objectives): |
- Grundlagen der Datenvisualisierung erlernen, verschiedene Visualisierungsformen kennenlernen, Visualisierungsbibliotheken in Python verwenden, komplexe Sachverhalte klar darstellen können.
- Grundlagen von Recommender-Systemen verstehen, verschiedene Arten von Recommender-Systemen kennenlernen, Datenquellen und -verarbeitung für Recommender-Systeme beherrschen, Bewertungsmetriken für Recommender-Systeme anwenden können.
- Verstehen von Prompt Engineering, Lernen effektiver Prompting-Techniken, Erkennen von Potenzial und Limitationen, Integration von LLMs.
- Informationsextraktion, Named Entity Recognition, Deep Learning, LLMs, Output Parsing, Function Calling, Tool Usage.
- Erlernen grundlegender Architektur und Anforderungen, Nutzung großer Sprachmodelle und Python, Daten aus unterschiedlichen Formaten einlesen, Prompting Techniken für die Textkomprimierung und Textkompilierung, Export in gewünschte Formate.
- Audiobasierte Sprache in Text umwandeln, Transkripte verarbeiten, Anwendungsfälle erkunden, APIs nutzen können.
Darüber hinaus bildet der Kurs eine gute Basis für weitere Aufbaukurse, z.B.:
AI050 KI Security Specialist
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 5 Tage
Preis (price): 3850,- Euro zzgl. MwSt.
Die optionale Zertifikatsprüfung ist nicht im Kurspreis enthalten und kann separat zum Preis von 150,00 € zzgl. MwSt. gebucht werden.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Dieser Workshop findet an folgenden Terminen statt:
|
|
|
| Inhalte (agenda): |
- Modul 1: Einführung in die Datenvisualisierung
- Bedeutung der Visualisierung für die Datenanalyse
- Visualisierungsbibliotheken in Python: matplotlib, seaborn, plotly
- Verschiedene Visualisierungsformen: Scatter Plots, Bar Charts, Violin Plots, etc.
- Grundlagen der Visualisierung: Dos und Don'ts
- Erstellen ansprechender Visualisierungen
- Übungen und Beispiele zur Anwendung der gelernten Konzepte
- Einführung in interaktive Visualisierungen
- Best Practices und Tipps zur Auswahl der richtigen Visualisierungsform
- inführung in die Datenvisualisierung
- Bedeutung der Visualisierung für die Datenanalyse
- Visualisierungsbibliotheken in Python: matplotlib, seaborn, plotly
- Verschiedene Visualisierungsformen: Scatter Plots, Bar Charts, Violin Plots, etc.
- Grundlagen der Visualisierung: Dos und Don'ts
- Erstellen ansprechender Visualisierungen
- Übungen und Beispiele zur Anwendung der gelernten Konzepte
- Einführung in interaktive Visualisierungen
- Best Practices und Tipps zur Auswahl der richtigen Visualisierungsform
- Modul 2: Einführung in Empfehlungssysteme
- Einführung in Recommender-Systeme und ihre Bedeutung
- Gegenüberstellung verschiedener Recommender-Systemen: Collaborative Filtering, Content-based Filtering, Hybrid Recommender Systems, Semantic Recommender Systems
- Datenquellen, Datenerfassung und -verarbeitung: Einblick in gängige Datenquellen und Techniken zur Datenerfassung, Datenaufbereitung und -analyse
- Bewertungsmetriken für Recommender-Systeme: Vorstellung verschiedener Metriken zur Beurteilung der Qualität von Empfehlungen
- Praktische Übungen: Aufbau eines einfachen Recommender-Systems mit Python
- Zusammenfassung und Abschlussdiskussion: Wie lässt sich das gelernte auf den eigenen Kontext übertragen?
- Modul 3: Einführung Prompt Engineering für Entwickler
- Einführung in Prompt Engineering und Begrifflichkeiten: LLMs, Prompts, Kontext, etc.
- Grundlagen verschiedener Prompting-Techniken: Best Practices, Beispiele und Übungen
- Anwendungsszenarien: Diskussion verschiedener Use Cases und deren Umsetzung
- Möglichkeiten und Limitationen von Prompts: Erkennen von Chancen und Grenzen anhand von Beispielen
- Integration von LLMs: Basistechniken zur Einbindung von LLMs in eigene Projekte
- Abschlussdiskussion: Erfahrungen, Herausforderungen und zukünftige Entwicklungen
- Modul 4: Einführung in Large Language Models und ihre Integration
- Einführung in Large Language Models (LLMs)
- Funktionsweise von LLMs: sequenzielle Generierung, Tokens, Kontext, implizites und explizites Wissen
- Grundlagen des Prompt Engineerings
- Einführung in Embeddings als zentraler Baustein
- Techniken von Knowledge Injection und Einführung in Vektordatenbanken
- Vorstellung verschiedener LLM-Anbieter und Integration via API
- Viele Praktische Übungen zur Anwendung der erlernten Konzepte
- Abschlussdiskussion: Wie lässt sich das Gelernte im eigenen Kontext anwenden?
- Modul 5: Extraktion und Strukturierung von Daten mit KI
- Einführung in die Problemstellung: Notwendigkeit einer Schnittstelle zwischen unstrukturierten Daten und strukturierten Datenbanken und Prozessen
- Einführung in Tools und Bibliotheken: Python, NLP-Bibliotheken, LLMs
- Techniken zur Informationsextraktion: Named Entity Recognition, Deep Learning, LLMs
- Output Parsing, Function Calling und Tool Usage: Anwendung der erlernten Techniken zum Extrahieren und Integrieren von Informationen
- Viele Praktische Übungen: Anwendung der erlernten Techniken auf realistische Beispiele und Daten
- Abschlussdiskussion: Erfahrungen und Herausforderungen / Wie lässt sich das Gelernte auf den eigenen Kontext übertragen
- Modul 6: Extraktion und Transformation von Informationen mit KI
- Einführung und grundlegende Architektur
- Nutzung von großen Sprachmodellen (Completion, Summarization etc.) und Python
- Einlesen von Daten aus unterschiedlichen Formaten und Chunking-Strategien
- Textkomprimierungstechniken
- Textkompilierungstechniken: Informationen in ein Format wie einen Bericht transformieren
- Export in gewünschtes Format wie PDF oder docx
- Diskussion über Anwendungsfälle und Strategien für den effektiven Einsatz von KI-basierten Informationstransformation in der Praxis
- Modul 7: Von automatischer Transkription zu strukturierter Information mit KI
- Einführung in die automatische Audio-Transkription und die zugrunde liegenden Konzepte
- Verwendung von API-Lösungen zur Transkription von Audio-Dateien
- Verarbeitung der Transkripte und Exploration verschiedener Anwendungsfälle, wie etwa
- Klassifizierung von Kundenfeedback
- Datenextraktion aus transkribiertem Text
- Übersetzung von Text in andere Sprachen
- Praktische Übungen zur Implementierung der erlernten Konzepte in eigenen Projekten
- Diskussion über mögliche zukünftige Entwicklungen und Herausforderungen im Bereich der automatischen Transkription
|
|
|
