Mitglied seit 2024
Einführung in das Cloud-Computing von Google: Netzwerke und Sicherheit in Google Cloud
Earned Aug 3, 2026 EDT
Transformer-Modelle und BERT-Modell
Earned Jul 30, 2026 EDT
Encoder-Decoder-Architektur
Earned Jul 29, 2026 EDT
Aufmerksamkeitsmechanismus
Earned Jul 29, 2026 EDT
Einstieg in die Bildgenerierung
Earned Jul 29, 2026 EDT
Die Kurse „Einführung in das Cloud-Computing von Google“ richten sich an Personen mit wenigen bis gar keinen Vorkenntnissen oder Erfahrungen im Bereich Cloud-Computing Sie bieten einen detaillierten Überblick über Cloud-Grundlagen, Big Data, maschinelles Lernen und die Rolle von Google Cloud in diesem Bereich. Am Ende der Kursreihe können Teilnehmende diese Konzepte erläutern und einige praktische Fähigkeiten demonstrieren. Die Kurse sollten in folgender Reihenfolge absolviert werden: 1. Einführung in das Cloud-Computing von Google: Cloud-Computing-Grundlagen 2. Einführung in das Cloud-Computing von Google: Infrastruktur in Google Cloud 3. Einführung in das Cloud-Computing von Google: Netzwerke und Sicherheit in Google Cloud 4. Einführung in das Cloud-Computing von Google: Daten, ML und KI in Google Cloud Dieser dritte Kurs behandelt Tools zur Cloud-Automatisierung- und -Verwaltung sowie den Aufbau sicherer Netzwerke.
Dieser Kurs bietet eine Einführung in die Transformer-Architektur und das BERT-Modell (Bidirectional Encoder Representations from Transformers). Sie lernen die Hauptkomponenten der Transformer-Architektur wie den Self-Attention-Mechanismus kennen und erfahren, wie Sie diesen zum Erstellen des BERT-Modells verwenden. Darüber hinaus werden verschiedene Aufgaben behandelt, für die BERT genutzt werden kann, wie etwa Textklassifizierung, Question Answering und Natural-Language-Inferenz. Der gesamte Kurs dauert ungefähr 45 Minuten.
Dieser Kurs vermittelt Ihnen eine Zusammenfassung der Encoder-Decoder-Architektur, einer leistungsstarken und gängigen Architektur, die bei Sequenz-zu-Sequenz-Tasks wie maschinellen Übersetzungen, Textzusammenfassungen und dem Question Answering eingesetzt wird. Sie lernen die Hauptkomponenten der Encoder-Decoder-Architektur kennen und erfahren, wie Sie diese Modelle trainieren und bereitstellen können. Im dazugehörigen Lab mit Schritt-für-Schritt-Anleitung können Sie in TensorFlow von Grund auf einen Code für eine einfache Implementierung einer Encoder-Decoder-Architektur erstellen, die zum Schreiben von Gedichten dient.
In diesem Kurs wird der Aufmerksamkeitsmechanismus vorgestellt. Dies ist ein leistungsstarkes Verfahren, das die Fokussierung neuronaler Netzwerke auf bestimmte Abschnitte einer Eingabesequenz ermöglicht. Sie erfahren, wie der Aufmerksamkeitsmechanismus funktioniert und wie Sie damit die Leistung verschiedener Machine Learning-Tasks wie maschinelle Übersetzungen, Zusammenfassungen von Texten und Question Answering verbessern können.
In diesem Kurs werden Diffusion-Modelle vorgestellt, eine Gruppe verschiedener Machine Learning-Modelle, die kürzlich einige vielversprechende Fortschritte im Bereich Bildgenerierung gemacht haben. Diffusion-Modelle basieren auf physikalischen Konzepten der Thermodynamik und sind in den letzten Jahren in der Forschung und Industrie sehr beliebt geworden. Dabei stützen sich Diffusion-Modelle auf viele innovative Modelle und Tools zur Bildgenerierung in Google Cloud. In diesem Kurs werden Ihnen die theoretischen Grundlagen der Diffusion-Modelle erläutert und wie Sie diese Modelle über Vertex AI trainieren und bereitstellen können.