Ultimate List Of Generative AI Resources

Neuauflage von Plato

Verfolger: 0

Einleitung

Der Aufstieg von Large Language Models (LLMs) wie ChatGPT war revolutionär und leitete eine neue Ära in der Art und Weise ein, wie wir mit Technologie interagieren. Diese ausgefeilten Modelle, am Beispiel von ChatGPT, haben die Art und Weise, wie wir mit digitalen Plattformen interagieren, neu definiert. Denken Sie darüber nach – wie oft haben Sie Tools wie ChatGPT verwendet, um mühelos eine E-Mail zu schreiben, oder generative KI eingesetzt, um Ihre wildesten Fantasien durch atemberaubende Bilder zum Leben zu erwecken? Diese unaufhörliche Weiterentwicklung der generativen KI-Technologie ist nicht nur ein wissenschaftlicher Fortschritt; Es ist ein Tor zu endlosen kreativen Möglichkeiten und verändert unsere digitale Landschaft in atemberaubendem Tempo. Dennoch gibt es in diesem Wirbelsturm des schnellen Fortschritts eine spürbare Lücke. Während wir über die Ergebnisse der generativen KI staunen, bleibt für viele ein tieferes Verständnis ihrer Grundlagen und praktischen Anwendungen unerreichbar. Hier setzt dieser Blog an. Wir stellen eine Lösung vor: Generative KI-Ressourcen.

Ich habe sorgfältig eine geordnete Liste der besten Kurse für generative KI zusammengestellt, um Ihnen dieses hochmoderne Wissen zu vermitteln. Dies ist nicht nur eine Liste; Es ist Ihre Roadmap, um die Magie hinter diesen erstaunlichen Werkzeugen zu entschlüsseln. Egal, ob Sie ein neugieriger Lerner, ein aufstrebender KI-Enthusiast oder ein Profi sind, der seine Fähigkeiten verbessern möchte, diese Kurse stillen Ihren Wissensdurst.

Inhaltsverzeichnis

Liste generativer KI-Ressourcen für Sie

Schritt 1: Wie beginnen Sie mit generativer KI?

Wenn Sie ein Anfänger in der generativen KI sind, beginnen Sie mit diesem Kurs Generative KI für alle. In diesem Kurs zur generativen KI erkunden Sie die Funktionsweise der generativen KI, häufige Anwendungsfälle und Fähigkeiten. Sie erfahren außerdem, wie Sie wirksame Aufforderungen erstellen und die potenziellen Chancen und Risiken verstehen, die diese Technologie für Einzelpersonen, Unternehmen und die Gesellschaft mit sich bringt.

Als nächstes müssen Sie lernen, wie Sie die beliebten generativen KI-Tools wie ChatGPT, Midjourney und mehr verwenden. In diesem Kurs weiter Generative KI-Tools, genau das wirst du lernen. Sie verstehen die Grundlagen der generativen KI, lernen die beliebtesten Tools zur Text- und Bildgenerierung kennen und erfahren sogar, wie Sie sie für verschiedene Anwendungen wie Bildbearbeitung, E-Mail-Erstellung, visuelle Inhalte und mehr verwenden.

Zusätzliche generative KI-Ressourcen

„The state of GPT“ von Karpathy: Schau hier
Eine sanfte Einführung in generative KI für Anfänger: Lesen Sie hier

Schritt 2: Wo kann man mehr über Prompt Engineering erfahren?

Sobald Sie etwas über generative KI gelernt haben, besteht der nächste Schritt darin, mit der Technologie herumzuspielen und sich von ihren Möglichkeiten begeistern zu lassen. Der beste Weg, dies zu tun, besteht darin, mit ChatGPT herumzuspielen. Aber wussten Sie, dass Sie, um das Beste aus ChatGPT herauszuholen, etwas über Prompt Engineering lernen müssen? Jetzt fragen Sie: Was ist das? Nun, es ist die Art und Weise, wie wir mit einem LLM interagieren und das gewünschte Ergebnis erzielen.

Um das zu lernen, können Sie damit beginnen natürlich von Codecademy für Prompt Engineering. Dies wird Ihnen den Einstieg in die Grundlagen erleichtern. Wenn Sie auf etwas Detaillierteres eingehen möchten, empfehle ich diesen Leitfaden dringend Schnelles Engineering, was nicht weniger als ein Kurs ist. Obwohl es sich um einen ausführlichen Leitfaden handelt, ist er gut strukturiert und deckt das Prompt Engineering umfassend ab, einschließlich Themen wie Zero-Shot-Learning, Fow-Shot-Learning und Chain-of-Thought-Lernen. Außerdem erhalten Sie allgemeine Tipps zum Entwerfen guter Eingabeaufforderungen, die jeden Anwendungsfall effektiv lösen.

Zusätzliche generative KI-Ressourcen

Schritt 3: Wie erfahren Sie etwas über LLMs?

Nachdem Sie nun über die Standardschnittstelle von OpenAI mit ChatGPT interagiert haben, ist es an der Zeit, mit dem Entwerfen Ihrer eigenen Systeme mithilfe der ChatGPT-API fortzufahren. Dies können Sie in diesem Kurs weiter erforschen Erstellen Sie Systeme mit der ChatGPT-API von DeepLearning.ai. Hier lernen Sie, komplexe Aufgaben in kleinere Aufgaben aufzuteilen und diese mithilfe von Eingabeaufforderungen zu lösen. Hier erfahren Sie, wie Sie ein leistungsstarkes Tool wie ChatGPT für Ihre spezifischen Aufgaben nutzen können.

Sobald dies erledigt ist, können Sie in diesem Kurs Ihre erste LLM-basierte Anwendung mit dem LangChain-Framework erstellen LangChain für die LLM-Anwendungsentwicklung. LangChain ist ein Open-Source-Framework für die Entwicklung von Anwendungen, die auf LLMs basieren und nicht auf ChatGPT beschränkt sind! Es ermöglicht die Erstellung kontextsensitiver Anwendungen, indem es LLMs mit Daten verbindet und Tools für Anpassung, Genauigkeit und Relevanz bereitstellt. In diesem Kurs lernen Sie, eine LLM-Anwendung mit LangChain zu erstellen, wodurch Sie sich an die Entwicklung persönlicher Assistenten und Chatbots gewöhnen.

Was wäre, wenn die Standard-LLMs über statisches Wissen verfügen und Sie diese entsprechend Ihrem speziellen Anwendungsfall erweitern möchten? In diesem Fall müssen Sie die RAG-Technik verwenden, um LLMs zum Erstellen Ihrer Anwendung zu erweitern. Was ist also RAG? Nun, RAG steht für Retrieval Augmented Generation. Es handelt sich um eine Strategie, bei der Sie dem LLM durch ein Abrufsystem zusätzliches Wissen zur Verfügung stellen. Dies ermöglicht es dem LLM, spezifischere Anfragen zu beantworten, obwohl er nicht darauf geschult ist. Hier erfahren Sie mehr über RAGs und mehr Erstellen und Evaluieren fortgeschrittener RAG-Anwendungen an.

Nachdem Sie nun ein RAG-System erstellt haben, werden Sie feststellen, dass es einige Einschränkungen aufweist. Zum einen werden Sie feststellen, dass Sie nicht immer die gesamten abgerufenen Daten in einer Eingabeaufforderung verwenden können, was die Reaktionsfähigkeit des LLM einschränkt. Ein weiterer Grund wäre die halluzinierende Wirkung des LLM, die schwer zu beseitigen ist. Wäre es also nicht besser, Ihr Modell vollständig zu verfeinern und ein individuelleres LLM zu erhalten? Das ist es, was Sie abdecken werden in diesem KursHier erfahren Sie mehr über die Feinabstimmung, wann Sie sie anwenden, wie Sie die Daten für die Feinabstimmung vorbereiten und wie Sie Ihr feinabgestimmtes Modell trainieren und bewerten.

Zusätzliche generative KI-Ressourcen

„Einführung in große Sprachmodelle“ von Karpathy: Schau hier

Das Video bietet einen einstündigen Einführungsüberblick über LLMs, die für ein allgemeines Publikum geeignet sind und als grundlegendes technisches Element in Systemen wie ChatGPT, Claude und Bard dienen. Sie werden die Natur, zukünftige Richtungen und Vergleiche zwischen diesen Modellen verstehen.

„Ein Leitfaden für Hacker zu Sprachmodellen“ von Jeremy Howard: Schau hier

In diesem aufschlussreichen Video bietet Jeremy Howard, Mitbegründer von fast.ai, eine umfassende Untersuchung von Sprachmodellen. Das Video enthält kritische Bewertungen von GPT-4, praktische Anwendungen beim Schreiben von Code und Datenanalyse sowie praktische Tipps zur Verwendung der OpenAI-API.

„Auf dem Laufenden über die seltsame Welt der LLMs“ von Simon Willison: Lesen Sie hier

Der Blog behandelt die Grundlagen von Sprachmodellen, untersucht deren Definition und Funktionsweise und bietet einen kurzen Zeitplan für die LLM-Entwicklung. Es identifiziert die besten LLM-Modelle und bietet praktische Tipps, einschließlich ihrer Verwendung zum Codieren. Der Blog gibt Ihnen auch einen kurzen Überblick über die Ausbildung von LLMs.

Was sind Large Language Models (LLMs) von Analytics Vidhya? Lesen Sie hier

Der Blog untersucht Large Language Models (LLMs) und geht auf deren Aufbau und Funktionsweise ein. Es behandelt deren allgemeine Architektur, stellt Beispiele bereit, diskutiert Open-Source-LLMs wie Bloom, untersucht Hugging Face APIs und stellt praktische Anwendungen anhand von Beispielen vor.

Schritt 4: Was ist mit RLHF?

Sie müssen von RLHF gehört haben. RLHF steht für Reinforcement Learning from Human Feedback. Es handelt sich um eine Technik des maschinellen Lernens, die ein „Belohnungsmodell“ direkt aus menschlichem Feedback trainiert und das Modell als Belohnung nutzt, um die Leistung eines Agenten der künstlichen Intelligenz durch Verstärkung zu optimieren. Erfahren Sie jetzt in diesem Kurs mehr über RLHF DeepLearning.ai, wo Sie sich Kenntnisse über RLHF aneignen, ein LLM mit RLHF verfeinern und schließlich lernen, es zu bewerten.

Zusätzliche generative KI-Ressourcen

Schritt 5: Wo erfahren Sie etwas über Diffusionsmodelle?

Nun geht es bei der generativen KI nicht nur um LLMs. Wenn Sie mehr über die Bilderzeugung mithilfe generativer KI erfahren möchten, müssen Sie sich mit Diffusionsmodellen und ihrer Funktionsweise vertraut machen. Dafür gibt es einen atemberaubenden Kurs von Hugging Face. Das Material für den Kurs, inklusive Heften, Lesestoff und allem anderen, finden Sie hier GitHub-Repository. Hier finden Sie Inhalte zu grundlegenden Diffusionsmodellen, stabiler Diffusion, Feinabstimmung eines Diffusionsmodells und mehr.

Zusätzliche generative KI-Ressourcen

Bonus: Umfassendes generatives KI-Programm

Ich weiß, dass dies eine Menge Kurse sind, die man absolvieren muss, und dass sie nicht ganz erschöpfend sind. Aus diesem Grund schlage ich dieses umfassende Programm zur generativen KI mit dem Namen vor Generatives KI-Pinnacle-Programm. Dieses Programm deckt generative KI von Anfang bis Ende ab. Es behandelt Themen wie Prompt Engineering, RAG-System mit LlamaIndex und die Feinabstimmung von LLMs, einschließlich LoRA, QLoRA, PEFT und Stable Diffusion.

Zusammenfassung

Ich hoffe, dass Sie diese Liste mit Ressourcen zur generativen KI hilfreich fanden und dass Sie sich zumindest für einen der oben genannten Kurse angemeldet haben! Allerdings gibt es noch viele andere Kurse, die ich hier weggelassen habe. Wenn Sie einen relevanten Kurs zu generativer KI finden, teilen Sie ihn bitte in den Kommentaren unten. Das würde ich gerne selbst erforschen!

Verbunden

Ich bin ein Datenliebhaber und liebe es, die verborgenen Muster in den Daten zu extrahieren und zu verstehen. Ich möchte im Bereich maschinelles Lernen und Datenwissenschaft lernen und mich weiterentwickeln.