Alle Werkzeuge und Techniken für die praktische Arbeit mit LLMs - Das Handbuch für das
intuitive Verständnis von LLMs: Mit zahlreichen Visualisierungen die Konzepte schnell
zugänglich 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 Einführung in
die Welt der LLMs beschreibt sowohl konzeptionelle Grundlagen als auch konkrete Anwendungen und
nützliche 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 verständlichen Illustrationen und praxisbezogenen Erläuterungen ist dieses Buch
die ideale Ausgangsbasis für alle die die Möglichkeiten von KI-Systemen voll ausschöpfen
möchten. Sie lernen vortrainierte Transformer-LLMs von Hugging Face für Anwendungsfälle wie
das Verfassen von Texten oder für Inhaltszusammenfassungen einzusetzen. Sie erfahren außerdem
wie Sie Suchsysteme erstellen und vorhandene Bibliotheken und vortrainierte Modelle für
Textklassifikation Suche und Clustering nutzen. - Verstehen Sie die Architektur von
Transformer-basierten Sprachmodellen die bei der Textgenerierung und -repräsentation
hervorragende Ergebnisse liefern - Entwerfen Sie fortgeschrittene LLM-Pipelines um
Textdokumente zu clustern und die darin enthaltenen Themen zu erforschen - Erstellen Sie
semantische Suchmaschinen die über den Abgleich von Schlagwörtern 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 Verständnis dafür wie LLMs trainiert und für spezifische
Anwendungen optimiert werden beispielsweise durch Feintuning generativer Modelle Contrastive
Fine-Tuning und In-Context-Learning
