In dieser Weiterbildung erlernen Sie den Einsatz von TensorFlow im Bereich des machine learning. Sie werden in die Lage versetzt, neuronale Netze zu entwerfen, zu trainieren und zu evaluieren. Ein besonderer Fokus liegt auf der Entwicklung effektiver Prompts für Sprachmodelle, um die Qualität der Ergebnisse im machine learning zu optimieren. Sie erwerben Kenntnisse über die Architektur und Funktionsweise von TensorFlow und erlernen die Implementierung von machine learning-Modellen. Zudem setzen Sie sich mit Techniken des Prompt Engineerings auseinander, um die Interaktion mit KI-Systemen zu verbessern. Durch praktische Übungen vertiefen Sie Ihr Verständnis für die Anwendung von TensorFlow im machine learning. Die Weiterbildung umfasst praxisorientierte Projekte, in denen Sie eigene machine learning-Modelle mit TensorFlow entwickeln und trainieren. Dabei wenden Sie erlernte Prompt Engineering-Techniken an, um die Leistung der Modelle zu steigern. Nach Abschluss sind Sie in der Lage, TensorFlow effektiv im machine learning einzusetzen und durch gezieltes Prompt Engineering die Ergebnisse von KI-Systemen zu verbessern.

Einführung in TensorFlow und Keras
  • Installation und Einrichtung von TensorFlow mit Fokus auf machine learning
  • Grundlegende Verwendung von TensorFlow
  • Verwendung von Keras im Kontext von machine learning

Erstellen und Optimieren von Machine-Learning-Modellen
  • Erstellen von Machine-Learning-Modellen mit Keras mit Schwerpunkt auf machine learning
  • Erstellen von FCN- und CNN-Modellen mit Keras
  • Erstellen von RNN-Modellen mit Keras für machine learning Anwendungen
  • Yolo-Modelle in TensorFlow
  • Problemlösung für nicht funktionierende Modelle im Bereich machine learning

Datenvisualisierung und Analyse
  • Visualisierung von Ergebnissen mit Keras im Umfeld von machine learning
  • Analyse von Machine Learning in TensorFlow
  • Allgemeine Tipps und Tricks zu TensorFlow mit Bezug zu machine learning

Grundlagen des Prompt Engineering
  • Einführung in Prompt Engineering: Grundlagen und Überblick mit Relevanz für machine learning
  • ChatGPT: das Sprachmodell von OpenAI
  • Training von ChatGPT: Verbesserung der Leistung durch Feinabstimmung im Hinblick auf machine learning

Interaktive Nutzung von ChatGPT
  • Interaktive Konversation: dialogbasierte Nutzung von ChatGPT mit Bezug zu machine learning
  • Nutzung von ChatGPT: Anwendungsmöglichkeiten und Potenziale
  • Anwendungsdesign für ChatGPT: Strukturierung von Benutzerschnittstellen unter Berücksichtigung von machine learning
  • Konversationelle Herangehensweise: interaktive Nutzung von ChatGPT in Chatsystemen
  • Kontextsensitivität in ChatGPT: Verbesserung der Antworten durch Kontextverständnis im Umfeld von machine learning
  • Chatten mit ChatGPT: praktische Umsetzung von Chatanwendungen

Herausforderungen im Prompt Engineering
  • Herausforderungen und Limitationen im Zusammenhang mit machine learning