Dieser Kurs mit vier Modulen vermittelt Ihnen ein klares, praktisches Fundament der Generativen KI - von der Frage, was sie ist und wo sie eingesetzt wird, bis hin zu der Frage, wie moderne Modelle funktionieren und wie man sie verantwortungsvoll einsetzt. Sie werden mit dem großen Bild beginnen: GenAI-Fähigkeiten in den Bereichen Text, Bild, Audio und Video sowie reale Anwendungen aus der Industrie. Dann tauchen Sie in die Wissenschaft hinter den heutigen Großen Sprachmodellen ein: Textrepräsentation (Tokenisierung, Einbettung) und die Transformer-Architektur (Positionskodierung, Selbstaufmerksamkeit, Encoder/Decoder-Flow). Als Nächstes werden Sie LLMs und Workflows in die Praxis umsetzen: Erstellen effektiver Prompts, Aufrufen von Modellen über Web/UI und APIs, Ausführen von Modellen auf lokaler Ebene (z. B. über Ollama) und Erweitern der Fähigkeiten mit Retrieval-Augmented Generation (RAG) und Fine-Tuning. Schließlich werden Sie Herausforderungen und verantwortungsvolle Praktiken untersuchen, einschließlich Urheberrecht, Datenschutz und Sicherheit, Erklärbarkeit und Fragen des Eigentums in der GenAI-Ära. Der Kurs ist für Lernende mit Grundkenntnissen in Maschinellem Lernen und Python konzipiert und verbindet kurze Lektionen mit Labs, Quizfragen und Übungen. Am Ende des Kurses werden Sie die Kernkonzepte und Architekturen hinter GenAI verstehen und ein ausgeprägtes Gespür für die ethische und verantwortungsvolle Nutzung sowie die Grenzen von GenAI haben. Am Ende dieses Kurses werden die Teilnehmer in der Lage sein: zu erklären, wie generative KI Text, Bild, Audio und Video umfasst, und reale Workflows in der Industrie zu bewerten, in denen sie Mehrwert schafft. die Entwicklung der Sprachmodellierung von probabilistischen/NLP-Ansätzen zu Transformers nachzuvollziehen und zu begründen, warum Aufmerksamkeit frühere Einschränkungen überwindet. Tokenisierung und Worteinbettungen zu verstehen und zu begründen, wie diese Darstellungen das Verhalten des Modells beeinflussen.

Zerlegen eines Transformer-Blocks und Verfolgen von Tensoren durch Selbstaufmerksamkeit, MLPs und Normalisierung, um zu erklären, wie Repräsentationen gebildet und verfeinert werden. Betreiben von LLMs über Web UIs, APIs und lokal mit Ollama, um minimalen Inferenz-Code zu schreiben und die Ergebnisse unter Verwendung von Prompt Patterns zu verbessern und sich mit Konzepten von RAG und Fine-Tuning als mögliche nächste Schritte vertraut zu machen. Identifizieren, analysieren und erklären Sie die Mängel von LLMs wie Bias, Halluzination, Ownership und Prompt Injection, indem Sie Richtlinien auf Benutzerebene, organisatorische Prozesse und Governance-Richtlinien formulieren.