Cloud-Technologie ist ein leistungsstarkes Asset. In Kombination mit Daten wird sie zum Katalysator für Innovation und einen besseren Kundenservice. Im Kurs „Datentransformation mit Google Cloud“ erfahren Sie, wie Unternehmen die Cloud nutzen können, um ihre Daten zugänglicher, verwertbarer und wertvoller zu machen.
Dieser Kurs ist Teil des Lernpfads „Cloud Digital Leader“ und soll Einzelpersonen dabei helfen, in ihrer Rolle zu wachsen und die Zukunft ihres Unternehmens zu gestalten.
Weitere Informationen
Die digitale Transformation ist für moderne Unternehmen von entscheidender Bedeutung. Eine solide Grundlage im Cloud Computing ist der erste Schritt, um sinnvolle Innovationen voranzutreiben. „Digitale Transformation mit Google Cloud“ stellt die wichtigsten Technologien und strategischen Frameworks vor, mit denen Abläufe in Unternehmen modernisiert werden können. In diesem Kurs werden grundlegende Cloud-Konzepte, die globale Netzwerkinfrastruktur und das Modell der gemeinsamen Verantwortung behandelt. So können Führungskräfte dem Weg in die Cloud zuversichtlich entgegenblicken.
Dieser Kurs ist Teil des Lernpfads „Cloud Digital Leader“ und soll Einzelpersonen dabei helfen, sich in ihrer Rolle weiterzuentwickeln und die Zukunft ihres Unternehmens mitzugestalten.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
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.
Weitere Informationen
In diesem Einführungskurs im Microlearning-Format wird untersucht, was Large Language Models (LLM) sind, für welche Anwendungsfälle sie genutzt werden können und wie die LLM-Leistung durch Feinabstimmung von Prompts gesteigert werden kann. Darüber hinaus werden Tools von Google behandelt, die das Entwickeln eigener Anwendungen basierend auf generativer KI ermöglichen.
Weitere Informationen
In diesem Einführungskurs im Microlearning-Format wird erklärt, was generative KI ist, wie sie genutzt wird und wie sie sich von herkömmlichen Methoden für Machine Learning unterscheidet. Darüber hinaus werden Tools von Google behandelt, mit denen Sie eigene generative KI-Anwendungen entwickeln können.
Weitere Informationen
Datentransformation mit Google Cloud
Earned Sep 1, 2023 EDT
Digitale Transformation mit Google Cloud
Earned Aug 11, 2023 EDT
Einstieg in die Bildgenerierung
Earned Mai 23, 2023 EDT
Transformer-Modelle und BERT-Modell
Earned Mai 23, 2023 EDT
Aufmerksamkeitsmechanismus
Earned Mai 23, 2023 EDT
Einführung in Large Language Models
Earned Mai 23, 2023 EDT
Einführung in generative KI
Earned Mai 23, 2023 EDT