Aktion	Zweigstelle	Standorte	Status	Frist	Vorbestellungen
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Ozde / College 6c - Informatik & Computer	Status: Entliehen	Frist: 04.12.2024	Vorbestellungen: 0
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Ozde / College 6c - Informatik & Computer	Status: Entliehen	Frist: 28.11.2024	Vorbestellungen: 0

- Das Buch bietet einen Überblick über zentrale Konzepte und Techniken von LLMs wie z.B. ChatGPT und zeigt das Potenzial von Open-Source- und Closed-Source-Modellen

- Es erläutert, wie Large Language Models funktionieren und wie sie für Aufgaben des Natural Language Processing (NLP) genutzt werden

- Auch für interessierte Nicht-Data-Scientists mit Python-Kenntnissen verständlich

- Themen z.B.: die ChatGPT-API, Prompt-Engineering, Chatbot-Personas, Cloud-Bereitstellung; deckt auch GPT-4 ab

 

Der Schnellstart in die praktische Arbeit mit LLMs

 

Large Language Models (LLMs) wie ChatGPT zeigen erstaunliche Fähigkeiten, aber ihre Größe und Komplexität halten viele Praktiker*innen davon ab, sie in ihren eigenen Anwendungen einzusetzen. In dieser Einführung räumt Data Scientist und KI-Unternehmer Sinan Ozdemir diese Hindernisse aus dem Weg und bietet einen Leitfaden für den Einsatz von LLMs zur Lösung praktischer NLP-Probleme.

 

Sinan Ozdemir hat alles zusammengestellt, was Sie für den Einstieg brauchen, auch wenn Sie noch keine Erfahrung mit LLMs haben: Schritt-für-Schritt-Anleitungen, Best Practices, Fallstudien aus der Praxis, Übungsaufgaben und vieles mehr. Dabei zeigt er das Potenzial sowohl von Closed-Source- als auch von Open-Source-LLMs wie GPT-3, GPT-4 und ChatGPT, BERT und T5, GPT-J und GPT-Neo, Cohere sowie BART.

 

Lernen Sie die Schlüsselkonzepte kennen: Transfer Learning, Feintuning, Attention, Embeddings, Tokenisierung und mehr

Nutzen Sie APIs und Python, um LLMs an Ihre Anforderungen anzupassen

Beherrschen Sie Prompt-Engineering-Techniken wie Ausgabe-Strukturierung, Gedankenketten und Few-Shot-Prompting

Passen Sie LLM-Embeddings an, um eine Empfehlungsengine mit eigenen Benutzerdaten neu zu erstellen

Konstruieren Sie multimodale Transformer-Architekturen mithilfe von Open-Source-LLMs

Optimieren Sie LLMs mit Reinforcement Learning from Human and AI Feedback (RLHF/RLAIF)

Deployen Sie Prompts und benutzerdefinierte, feingetunte LLMs in die Cloud

 

(Verlagstext)