Modell-Feintuning und LoRA-Training erweitern die Möglichkeiten vortrainierter Systeme. Für Machine Learning Engineers sind sie zentrale Verfahren zur Anpassung an konkrete Aufgaben. Ein strukturiertes Vorgehen ist Basis für reproduzierbare Ergebnisse.
!Kursinhalt
!1. Grundlagen des Feintunings
*Ausgangsmodelle und Anpassungsziele
*Abgrenzung zu Prompt-Engineering
*Rolle der Trainingsdaten
!2. Techniken effizienter Anpassung
*Funktionsprinzip von LoRA
*Einordnung weiterer parameter-effizienter Verfahren
*Auswahl nach Aufgabenstellung
!3. Datenvorbereitung und Trainingssetup
*Aufbau hochwertiger Datensätze
*Hyperparameter und Evaluationsansätze
*Dokumentation der Experimente
!4. Bewertung und Einsatz der Modelle
*Vergleich mit Basismodellen
*Nachvollziehbare Qualitätskriterien
*Integration in Produktiv-Umgebungen
!Berufliche Relevanz
*Zielgerichtete Anpassung generischer Modelle
*Effizientere Nutzung vorhandener Ressourcen
*Strukturierte Basis für Experimente