Praxiseinstieg Large Language Models - Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs
Das hat Kunden auch gefallen
| Verlag | dpunkt |
| Auflage | 2024 |
| Seiten | 274 |
| Format | 16,0 x 1,5 x 24,0 cm |
| Großformatiges Paperback. Klappenbroschur | |
| Gewicht | 525 g |
| Reihe | Animals |
| ISBN-10 | 3960092407 |
| ISBN-13 | 9783960092407 |
| Bestell-Nr | 96009240A |
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
Large Language Models (LLMs) wie ChatGPT sind enorm leistungsfähig, aber auch sehr komplex. Praktikerinnen und Praktiker stehen daher vor vielfältigen Herausforderungen, wenn sie LLMs in ihre eigenen Anwendungen integrieren wollen. In dieser Einführung räumt Data Scientist und KI-Unternehmer Sinan Ozdemir diese Hürden aus dem Weg und bietet einen Leitfaden für den Einsatz von LLMs zur Lösung pr aktischer Probleme des Natural Language Processings.
Sinan Ozdemir hat alles zusammengestellt, was Sie für den Einstieg benötigen: Schritt-für-Schritt-Anleitungen, Best Practices, Fallstudien aus der Praxis, Übungen und vieles mehr. Er stellt die Funktionsweise von LLMs vor und unterstützt Sie so dabei, das für Ihre Anwendung passende Modell und geeignete Datenformate und Parameter auszuwählen. 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
