We may earn an affiliate commission when you visit our partners.
Course image
Arnold Oberleiter

Schon mal darüber nachgedacht, wie große Sprachmodelle (LLMs) die Welt verändern und beispiellose Chancen schaffen?

"KI wird deinen Job nicht übernehmen, aber jemand, der weiß, wie man KI nutzt, könnte es tun," sagt Richard Baldwin.

Read more

Schon mal darüber nachgedacht, wie große Sprachmodelle (LLMs) die Welt verändern und beispiellose Chancen schaffen?

"KI wird deinen Job nicht übernehmen, aber jemand, der weiß, wie man KI nutzt, könnte es tun," sagt Richard Baldwin.

Bist du bereit, die Feinheiten von LLMs zu meistern und ihr volles Potenzial für verschiedene Anwendungen zu nutzen, von Datenanalyse bis zur Erstellung von Chatbots und KI-Agenten?

Dann ist dieser Kurs für dich.

Tauche ein in 'LLM Mastery: OpenAI, Gemini, Claude, Llama 3, ChatGPT & APIs'—wo du die grundlegenden und fortgeschrittenen Konzepte von LLMs, ihre Architekturen und praktischen Anwendungen erforschen wirst. Verändere dein Verständnis und deine Fähigkeiten, um die Führung in der KI-Revolution zu übernehmen.

Dieser Kurs ist perfekt für Entwickler, Datenwissenschaftler, KI-Enthusiasten und alle, die an der Spitze der Technologie von LLMs stehen möchten. Egal ob du neuronale Netzwerke verstehen, KI-Modelle feinabstimmen oder KI-gesteuerte Anwendungen entwickeln möchtest, dieser Kurs bietet dir alles, was du brauchst.

Was dich in diesem Kurs erwartet:

Umfassendes Wissen über LLMs:

  • Verständnis von LLMs: Lerne über Parameter, Gewichte, Inferenz und neuronale Netze.

  • Neuronale Netzwerke: Verstehe die Funktionsweise neuronaler Netze mit Tokens in LLMs.

  • Transformer-Architektur: Erforsche die Transformer-Architektur und Mixture of Experts.

  • Feinabstimmung: Verstehe den Prozess der Feinabstimmung und die Entwicklung des Assistant-Modells.

  • Reinforcement Learning (RLHF): Tauche ein in Reinforcement Learning mit menschlichem Feedback.

Fortgeschrittene Techniken und zukünftige Trends:

  • Scaling Laws: Lerne über Skalierungsgesetze von LLMs, einschließlich GPU- und Datenverbesserungen.

  • Zukunft der LLMs: Entdecke die Fähigkeiten und zukünftigen Entwicklungen in der LLM-Technologie.

  • Multimodale Verarbeitung: Verstehe Multimodalität und visuelle Verarbeitung mit LLMs, inspiriert von Filmen wie "Her."

Praktische Fähigkeiten und Anwendungen:

  • Werkzeugnutzung: Nutze Werkzeuge mit LLMs wie Taschenrechner und Python-Bibliotheken.

  • Systemdenken: Tauche ein in Systemdenken und Zukunftsperspektiven für LLMs.

  • Selbstverbesserung: Lerne Methoden zur Selbstverbesserung nach AlphaGo.

  • Optimierungstechniken: Verbessere die Leistung von LLMs mit Prompts, RAG, Function Calling und Anpassung.

Prompt-Engineering:

  • Fortgeschrittene Prompts: Meistere Techniken wie Chain of Thought und Tree of Thoughts Prompting.

  • Anpassung: Passe LLMs mit Systemprompts an und personalisiere mit ChatGPT Memory.

  • Langzeitgedächtnis: Implementiere RAG und GPTs für Langzeitgedächtnisfähigkeiten.

API- und Integrationsfähigkeiten:

  • API-Grundlagen: Verstehe die Grundlagen der API-Nutzung, einschließlich der OpenAI API, Google Gemini und Claude APIs.

  • Microsoft und GitHub Copilot: Nutze Microsoft Copilot in 365 und GitHub Copilot für Programmierung.

  • OpenAI API-Meisterschaft: Erforsche die Funktionen, Preismodelle und App-Erstellung mit der OpenAI API.

KI-App-Entwicklung:

  • Google Colab: Lerne API-Calls an OpenAI mit Google Colab.

  • KI-Agenten: Erstelle KI-Agenten für verschiedene Aufgaben in LangChain Frameworks wie Langgraph, Langflow, Vectorshift, Autogen, CrewAI, Flowise und mehr.

  • Sicherheit: Sorge für Sicherheit mit Methoden zur Verhinderung von Jailbreaks und Prompt-Injections.

Vergleichende Einblicke:

  • Vergleich der besten LLMs: Vergleiche die besten LLMs, einschließlich Google Gemini, Claude und mehr.

  • Open-Source-Modelle: Erforsche und nutze Open-Source-Modelle wie Llama 3, Mixtral und Command R+ mit der Möglichkeit, alles lokal auf deinem PC zu verwenden für maximale Sicherheit.

Praktische Anwendungen:

  • Embedding und Vektordatenbanken: Implementiere Embeddings für RAG.

  • Zapier-Integration: Integriere Zapier-Aktionen in GPTs.

  • Open-Source LLMs: Installiere und nutze LM Studio für lokale Open-Source-LLMs für maximale Sicherheit.

  • Feinabstimmung von Modellen: Feinabstimmung von Open-Source-Modellen mit Huggingface.

  • API-basierte App-Entwicklung: Erstelle Apps mit Dall-E, Whisper, GPT-4o, Vision und mehr in Google Colab.

Innovative Werkzeuge und Agenten:

  • Microsoft Autogen: Nutze Microsoft Autogen zur Entwicklung von KI-Agenten.

  • CrewAI: Entwickle KI-Agenten mit CrewAI.

  • LangChain: Verstehe den Framework mit den Abteilungen wie LangGraph, LangFlow und mehr.

  • Flowise: Implementiere Flowise mit Funktionsaufrufen und Open-Source LLM als Chatbot.

Ethische und Sicherheitsüberlegungen:

  • LLM-Sicherheit: Verstehe und wende Sicherheitsmaßnahmen an, um Hacking zu verhindern.

  • Zukunft der LLMs: Erforsche das Potenzial von LLMs als Betriebssysteme in Robotern und PCs.

Dieser Kurs ist ideal für alle, die tiefer in die Welt der LLMs eintauchen möchten – von Entwicklern und Kreativen bis hin zu Unternehmern und KI-Enthusiasten.

Nutze die transformative Kraft der LLM-Technologie, um innovative Lösungen zu entwickeln und dein Verständnis ihrer vielfältigen Anwendungen zu erweitern.

Am Ende von 'LLM Mastery: OpenAI, Gemini, Claude, Llama 3, ChatGPT & APIs' wirst du ein ganzheitliches Verständnis von LLMs, ihren Anwendungen und den Fähigkeiten haben, ihre Macht für verschiedene Zwecke zu nutzen. Wenn du bereit bist, eine transformative Reise in die KI anzutreten und dich an die Spitze dieser technologischen Revolution zu stellen, ist dieser Kurs genau das Richtige für dich.

Melde dich noch heute an und beginne deine Reise, ein Experte in der Welt der großen Sprachmodelle zu werden.

Enroll now

What's inside

Learning objectives

  • Funktionsweise von llms: parameter, gewichte, inference und neuronale netze
  • Neuronale netzwerke verstehen
  • Arbeitsweise neuronaler netze mit tokens in llms
  • Transformer-architektur und mixture of experts
  • Finetuning und die entstehung des assistant-modells
  • Reinforcement learning (rlhf) bei llms
  • Llm scaling laws: gpu & daten für verbesserungen
  • Fähigkeiten und zukünftige entwicklungen von llms
  • Nutzung von tools durch llms: taschenrechner, python-bibliotheken und mehr
  • Multimodalität und visuelle verarbeitung mit llms
  • Multimodalität in der sprache wie im film "her"
  • Systemdenken und zukunftsaussichten für llms
  • Selbstverbesserung nach alphago (self-improvement)
  • Verbesserungsmöglichkeiten: prompts, rag und customization
  • Prompt engineering: effektive nutzung von llms mit chain of thought und tree of thoughts prompting & mehr
  • Anpassung von llms durch systemprompts und personalisierung mit chatgpt memory
  • Langzeitgedächtnis mit rag und gpts
  • Der gpt store: alles, was du wissen musst
  • Einsatz von gpts zur datenanalyse, für pdfs oder zur tetris-programmierung
  • Embeddings und vektordatenbanken für rag
  • Zapier-aktionen in gpts integrieren
  • Open-source vs. closed-source llms
  • Api grundlagen
  • Nutzung der google gemini api und claude api
  • Microsoft copilot und seine nutzung in microsoft 365
  • Github copilot: die lösung für programmierer
  • Die openai api: funktionen, preismodelle und alles was du zur openai api wissen musst inklusive der erstellunbg von apps
  • Einführung in google colab für api-calls an openai
  • Erstellung von ki-apps und chatbots
  • Erstellung von ki-agenten "ai-agents" für verschiedene aufgaben
  • Sicherheit bei llms: jailbreaks und prompt injections
  • Vergleich der besten llms
  • Google gemini im standard-interface und google labs mit notebooklm
  • Claude von anthropic: überblick
  • Alles zu perplexity und poe
  • Openai playground: funktionen, billing account & temperatur
  • Google gemini api: videoanalyse und mehr
  • Open-source llms: modelle und nutzung von llama 3, mixtral, command r+ und viele mehr
  • Huggingchat: interface für open-source llms
  • Groq: schnellstes interface mit lpu
  • Installation von lm studio zur verwendung von lokalen opensource llms für maximale sicherheit
  • Nutzung von open-source-modellen in lm studio und zensierte vs. unzensierte llms
  • Finetuning eines open-source-modells mit huggingface
  • Erstellung eigener apps über apis in google colab mit dall-e, whisper, gpt-4o, vision und mehr
  • Microsoft autogen für ki-agenten
  • Crewai für ki-agenten
  • Flowise mit function calling
  • Flowise mit open-source llm als chatbot
  • Sicherheit bei llms und methoden zum hacken von llms
  • Zukunft von llms als betriebssystem in robotern und pcs
  • Show more
  • Show less

Syllabus

Einleitung und Überblick
Willkommen
Kurs Überblick
Mein Ziel und ein paar Tipps
Read more
Erklärung der Links und Downloads
Wichtige Links
Funktionsweise von LLMs: Parameter, Gewichte, Inference, neuronale Netze & mehr
Worum geht es in diesem Abschnitt
Ein LLM besteht aus nur zwei Dateien: Parameterdatei und ein paar Zeilen Code
Wie erfolgt die Erstellung der Parameter? Pretraining (Erstes Training des LLM)
Was versteht man unter einem neuronalen Netzwerk
Wie arbeitet ein neuronales Netz in einem LLM mit Tokens
Die Transformer-Architektur ist uns noch nicht vollständig klar
Andere Möglichkeiten der Transformer-Architektur: Mixture of Experts erklärt
Nach dem Pretraining folgt das Finetuning: Das Assistant-Modell entsteht
Der abschließende Schritt: Reinforcement Learning (RLHF)
LLM Scaling Laws: LLM zu verbessern, benötigen wir nur zwei Dinge, GPU & Daten
Rückblick: Was hast du bis jetzt gelernt
Weitere Fähigkeiten von LLMs & zukünftige Entwicklungen
Worum geht es in diesem Abschnitt?
LLMs können diverse Tools nutzen, wie Taschenrechner, Python-Bibliotheken usw.
Multimodalität, Visuelle Verarbeitung (Vision) und Bilderkennung
Multimodalität mit Sprache wie im Film "Her"
Was könnte in Zukunft passieren? Systemdenken! [Thinking fast and slow]
Selbstverbesserung nach dem Vorbild von AlphaGo (Self-Improvement)
Weitere Möglichkeiten, LLMs zu verbessern: Prompts, RAG, Customization
LLMs als neues Betriebssystem: So könnte die Zukunft aussehen.
Rückblick: Was hast du in diesem Abschnitt gelernt
Prompt Engineering: Effektive Nutzung von LLMs im Standard-Interface
Worum geht es in deisem Abschnitt und das Interface von LLMs
Warum ist Prompt Engineering wichtig? Ein Beispiel!
Behalte das Tokenlimit im Auge!
Prompt Engineering Basics: Semantische Assoziation
Prompt Engineering für LLMs die einfachsten strategien.
Chain of Thougth Prompting: Schritt für Schritt ans Ziel
Tree of Thoughts (ToT) prompting
Revers Prompt Engineering, Priming, OK Befehl und das Tokenlimit.
Einige Beispiele zur Anwendung von klassischen LLMs
Rückblick und erinnere dich daran!
LLM-Anpassung: Systemprompts und die Erstellung von Expertenmodellen bzw. GPTs
Die einfachste Form der Personalisierung: ChatGPT Memory (Das Gedächtnis)
Was ist ein VPN und warum ist es sinnvoll
Anpassung durch Systemprompts und Custom Instructions
In-Kontext Learning im Chat: Das "Kurzzeitgedächtniss" (aber effizient mit SPR)
Langzeitgedächtnis mit RAG: GPTs & RAG einfach gestalten
Der GPT Store: Alles, was du wissen musst
Einsatz von GPTs zur Datenanalyse und für PDFs
Embeddings und Vektordatenbanken für RAG: Eine detaillierte Erklärung
Tetris-Programmierung mithilfe eines GPTs aus dem Store.
Zwei Möglichkeiten, mit GPTs Geld zu verdienen
Erstellung eines Builder-Accounts
Entwickle ein effektives GPT für den Store zur Lead-Generierung
Was ist eine API?
Zapier-Aktionen in GPTs: Mails, Docs, YouTube & mehr aus dem ChatGPT Interface
Fünf Tipps zur Verbesserung von GPTs und Nutzung externer APIs
Zusammenfassung: Was du in diesem Abschnitt gelernt hast
Closed-Source LLMs: Ein Überblick über die verfügbaren Modelle
Open-Source vs. Closed-Source LLMs
Google Gemini im Standard-Interface verwenden
Google Labs mit NotebookLM: Die beste Methode, um Bücher zu lernen
Claude von Anthropic: Ein Überblick
Die führenden Unternehmen sind OpenAI, Google & Anthropic, viele bauen darauf
Perplexity, Vor- und Nachteile sowie Anwendungsgebiete.
Poe, Die vielseitige All-in-One-Plattform
Microsoft Copilot: Partnerschaft zwischen Microsoft und OpenAI
Wie funktioniert Copilot genau, und sind meine Daten sicher?
Nutzung von Microsoft Copilot im Web-Interface
Microsoft 365: Unterschiede kostenloses & kostenpflichtiges Abo
WICHTIG: Das passende Copilot-Abo und eine kostenlose Alternative
Copilot-Abo, wenn du ein großes Unternehmen hast
Copilot in Microsoft Word, schreibe so schnell wie nie
Copilot in Microsoft PowerPoint, die schnelle Präsentation
Copilot in Microsoft Outlook, schreibe und beantworte deine Mails schneller
Copilot in Microsoft Excel, große Möglichkeiten aber aktuell noch etwas zu früh
Microsoft Copilot GPTs
GitHub Copilot, Die KI-Lösung für Programmierer
Fazit zum Microsoft Copilot
Rückblick zu den Closed-Source LLMs
APIs der Closed-Source LLMs
Worum geht es hier? APIs der Closed-Source LLMs
Die OpenAI API im Überblick
Preismodelle der OpenAI API
OpenAI Playground: Funktionen für Entwickler, Billing Account & Temperatur
Die Google Gemini API: Videoanalyse und weitere Funktionen
Die API von Claude
Zusammenfassung der Closed-Source APIs
Open-Source LLMs: Verfügbare Modelle und ihre Nutzung in Claude & lokal
Was sind Open-Source LLMs und welche gibt es
Huggingface: Eine Einführung
HuggingChat: Ein Interface für die Nutzung von Open-Source LLMs
Groq: Das schnellste Interface mit einer LPU statt einer GPU
Installation von LM Studio und alternative Methoden zum Betrieb von LLMs
Open-Source-Modelle in LM Studio nutzen: Llama3, Mistral & mehr
Zensierte vs. unzensierte LLMs (Llama 3 Dolphin)
Finetuning eines Open-Source-Modells mit Huggingface
Eigenen lokalen Server mit LM Studio einrichten
Das neue Llama 3.1 Modell von Meta
Das solltest du dir merken
Erste Schritte zur Erstellung eigener Apps über APIs in Google Colab

Good to know

Know what's good
, what to watch for
, and possible dealbreakers
Erweitert das Verständnis von LLMs und deren Fähigkeiten, was für Entwickler, KI-Enthusiasten und alle, die an der Spitze der LLM-Technologie stehen wollen, von Vorteil ist
Bietet ein solides Fundament für Anfänger und vertieft das Wissen von Fortgeschrittenen, was es für Lernende mit unterschiedlichem Hintergrund geeignet macht
Deckt eine breite Palette von Themen im Zusammenhang mit LLMs ab, von grundlegenden Konzepten bis hin zu fortgeschrittenen Techniken
Vermittelt praktische Fähigkeiten und Anwendungen von LLMs, die für Entwickler, Datenwissenschaftler und KI-Praktiker wertvoll sind
Ermöglicht es den Teilnehmern, die Grenzen von LLMs auszuloten und ihre Fähigkeiten voll auszuschöpfen
Bietet Zugang zu einer Vielzahl von Tools und Ressourcen, die das Lernen unterstützen, wie z. B. Taschenrechner, Python-Bibliotheken und APIs

Save this course

Save LLM Profi: OpenAI, Gemini, Claude, Llama3, ChatGPT & APIs to your list so you can find it easily later:
Save

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in LLM Profi: OpenAI, Gemini, Claude, Llama3, ChatGPT & APIs with these activities:
**'Deep Learning with Python' von Francois Chollet** lesen
Dieses Buch vermittelt ein solides Verständnis der grundlegenden Konzepte des maschinellen Lernens und der tiefen neuronalen Netze, die in diesem Kurs behandelt werden.
Show steps
  • Lies die ersten drei Kapitel des Buches.
  • Versuche, die in den Kapiteln erläuterten Konzepte zusammenzufassen.
  • Beantworte die Überprüfungsfragen am Ende jedes Kapitels.
Übungsaufgaben zu neuronalen Netzen lösen
Diese Aufgaben helfen dir, die Anwendung der grundlegenden Konzepte neuronaler Netze zu üben.
Browse courses on TensorFlow
Show steps
  • Gehe zur Kaggle-Website und suche nach dem Wettbewerb 'CIFAR-10'.
  • Lade den Datensatz herunter und erstelle ein einfaches neuronales Netzwerkmodell.
  • Trainiere das Modell mit dem Datensatz.
Anleitungen zum Erstellen einer KI-Anwendung mit LLMs
Diese Tutorials helfen dir, die verschiedenen Anwendungsfälle von LLMs zu verstehen und zu lernen, wie man sie in realen Anwendungen einsetzt.
Browse courses on Chatbots
Show steps
  • Gehe zur Google AI-Plattform.
  • Erkunde die verfügbaren LLM-Ressourcen.
  • Folge den Anleitungen, um einen Chatbot mit einem LLM zu erstellen.
Show all three activities

Career center

Learners who complete LLM Profi: OpenAI, Gemini, Claude, Llama3, ChatGPT & APIs will develop knowledge and skills that may be useful to these careers:

Reading list

We haven't picked any books for this reading list yet.

Share

Help others find this course page by sharing it with your friends and followers:

Similar courses

Here are nine courses similar to LLM Profi: OpenAI, Gemini, Claude, Llama3, ChatGPT & APIs.
Open-Source LLMs: Unzensierte & sichere KI lokal auf dem...
Most relevant
KI-Agenten: Automation & Business mit LangChain & LLM Apps
Most relevant
Microsoft Copilot: KI in Excel, Word, PowerPoint & mehr
Most relevant
Business & KI: Firma aufbauen und skalieren mit ChatGPT &...
Most relevant
ChatGPT & KI meistern: ChatGPT, Midjourney, Leonardo &...
Most relevant
Stable Diffusion ComfyUI: Vom Anfänger zum Profi
Most relevant
Python Bootcamp: Vom Anfänger zum Profi, inkl. Data...
Most relevant
Der große Deep Learning Kurs mit Keras und TensorFlow 2
Most relevant
Gemini for Application Developers - Deutsch
Most relevant
Our mission

OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.

Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.

Find this site helpful? Tell a friend about us.

Affiliate disclosure

We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.

Your purchases help us maintain our catalog and keep our servers humming without ads.

Thank you for supporting OpenCourser.

© 2016 - 2024 OpenCourser