Mitglied seit 2025
Einführung in das Cloud-Computing von Google: Cloud-Computing-Grundlagen
Earned Okt 17, 2026 EDT
Machine Learning Operations (MLOps) für generative KI
Earned Jul 17, 2025 EDT
Transformer-Modelle und BERT-Modell
Earned Jul 10, 2025 EDT
Aufmerksamkeitsmechanismus
Earned Jul 5, 2025 EDT
Encoder-Decoder-Architektur
Earned Jul 2, 2025 EDT
Die Kursreihe „Einführung in das Cloud-Computing von Google“ richtet sich an Personen mit geringen oder gar keinen Vorkenntnissen oder Erfahrungen im Bereich Cloud Computing. Sie bietet 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 Diese Kursreihe bietet einen Überblick über Cloud-Computing, verschiedene Nutzungsmöglichkeiten von Google Cloud und verschiedene Computing-Optionen.
Dieser Kurs vermittelt Ihnen das Wissen und die nötigen Tools, um die speziellen Herausforderungen zu erkennen, mit denen MLOps-Teams bei der Bereitstellung und Verwaltung von Modellen basierend auf generativer KI konfrontiert sind. Sie erfahren, wie KI-Teams durch Vertex AI dabei unterstützt werden, MLOps-Prozesse zu optimieren und mit Projekten erfolgreich zu sein, in denen generative KI zum Einsatz kommt.
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.
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.
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.