Praxisbuch Large Language Models - Jay Alammar

. .

Résumé :
Alle Werkzeuge und Techniken f?r die praktische Arbeit mit LLMs - Das Handbuch f?r das intuitive Verst?ndnis von LLMs: Mit zahlreichen Visualisierungen, die Konzepte schnell zug?nglich machen - Themen sind die Sprachverarbeitung - Textklassifikation, Suche oder Cluster - und die Sprachgenerierung - vom Prompt Engineering bis zur Retrieval Augmented Generation (RAG) - Die Autoren haben mit ihren beliebten Blogs Millionen von Entwickler*innen geholfen, Machine Learning und KI zu verstehen Diese umfassende und anschauliche Einf?hrung in die Welt der LLMs beschreibt sowohl konzeptionelle Grundlagen als auch konkrete Anwendungen und n?tzliche Tools. Tauchen Sie in das Innenleben von LLMs ein und erkunden Sie ihre Architekturen, Einsatzbereiche, Trainingsmethoden und Feintuning-Techniken. Mit seiner einzigartigen Mischung aus intuitiv verst?ndlichen Illustrationen und praxisbezogenen Erl?uterungen ist dieses Buch die ideale Ausgangsbasis f?r alle, die die M?glichkeiten von KI-Systemen voll aussch?pfen m?chten. Sie lernen, vortrainierte Transformer-LLMs von Hugging Face f?r Anwendungsf?lle wie das Verfassen von Texten oder f?r Inhaltszusammenfassungen einzusetzen. Sie erfahren au?erdem, wie Sie Suchsysteme erstellen und vorhandene Bibliotheken und vortrainierte Modelle f?r Textklassifikation, Suche und Clustering nutzen. - Verstehen Sie die Architektur von Transformer-basierten Sprachmodellen, die bei der Textgenerierung und -repr?sentation hervorragende Ergebnisse liefern - Entwerfen Sie fortgeschrittene LLM-Pipelines, um Textdokumente zu clustern und die darin enthaltenen Themen zu erforschen - Erstellen Sie semantische Suchmaschinen, die ?ber den Abgleich von Schlagw?rtern hinausgehen und auf Methoden wie Dense Retrieval und Reranking basieren - Lernen Sie, wie Sie generative Modelle optimal einsetzen - vom Prompt Engineering bis hin zur Retrieval Augmented Generation (RAG) - Entwickeln Sie ein tieferes Verst?ndnis daf?r, wie LLMs trainiert und f?r spezifische Anwendungen optimiert werden, beispielsweise durch Feintuning generativer Modelle, Contrastive Fine-Tuning und In-Context-Learning...

Biographie:
Jay Alammar ist Direktor und Engineering Fellow bei Cohere, dem Vorreiter bei der Bereitstellung von Large Language Models als API. In dieser Funktion ber?t und schult er Unternehmen und die Entwicklergemeinschaft bei der Verwendung von Sprachmodellen f?r praktische Anwendungsf?lle. Durch seinen beliebten AI/ML-Blog hat Jay Millionen von Forscherinnen und Softwareengineers geholfen, Tools und Konzepte des Machine Learnings visuell zu verstehen - von den Grundlagen (die in der Dokumentation von Paketen wie NumPy und pandas auftauchen) bis hin zu den neuesten Entwicklungen (Transformers, BERT, GPT-3, Stable Diffusion). Jay ist au?erdem Mitgestalter von beliebten Kursen zum Machine Learning und Natural Language Processing auf Deeplearning.ai und Udacity. Maarten Grootendorst ist Senior Clinical Data Scientist bei IKNL (Netherlands Comprehensive Cancer Organization). Er hat Master-Abschl?sse in Organisationspsychologie, klinischer Psychologie und Data Science, die er nutzt, um komplexe Konzepte des Machine Learning einem breiten Publikum zu vermitteln. Mit seinen beliebten Blogs hat er Millionen von Leserinnen und Lesern erreicht. Darin erkl?rt er die Grundlagen der k?nstlichen Intelligenz - oft aus psychologischer Sicht. Er ist Autor und Betreuer mehrerer Open-Source-Pakete, die sich auf die St?rke von Large Language Models st?tzen, wie BERTopic, PolyFuzz und KeyBERT. Seine Pakete werden millionenfach heruntergeladen und von Datenexperten und Organisationen weltweit genutzt....