AI Tutorials

Lerne, wie du rekursives Retrieval in RAG-Systemen mit LlamaIndex implementieren kannst, um die Genauigkeit und Relevanz der abgerufenen Informationen zu verbessern, insbesondere bei großen Dokumentensammlungen.

Lerne Kolmogorov-Arnold-Netzwerke (KANs) kennen, eine neue Art von neuronalen Netzwerken, die im Vergleich zu traditionellen Modellen eine bessere Interpretierbarkeit und Genauigkeit aufweisen.

Hier erfährst du, was spekulative Dekodierung ist, wie sie funktioniert, wann sie eingesetzt wird und wie du sie mit Gemma2-Modellen implementierst.

Erfahre mehr über Snowflake Cortex AI und wie es für LLMs und maschinelles Lernen genutzt werden kann.

Eine leichtgewichtige, daemonlose Docker-Desktop-Alternative, die die Container-Verwaltung rationalisiert und ein schnelles Training, eine schnelle Bewertung und einen schnellen Einsatz von Machine-Learning-Modellen ermöglicht.

Lerne, wie du das gpt-4o-audio-preview-Modell von OpenAI mit LangChain verwendest, um sprachfähige Anwendungen zu entwickeln, die Audioeingabe, -transkription und -erzeugung beinhalten.

Lerne, wie du sichere, lokale KI-Anwendungen erstellst, die deine sensiblen Daten mit einem Low-/No-Code-Automatisierungsframework schützen.

Hier findest du eine Schritt-für-Schritt-Anleitung, wie du Llama 3.2 1B auf deinem Android-Gerät mit dem Torchchat-Framework einrichtest und ausführst.

Erfahre, wie du Runway Act-One sowohl über die Weboberfläche als auch über die API nutzen kannst, und entdecke, wie du es mit Runway Gen3-Alpha kombinieren kannst.

Lerne, wie du mit Python, maschinellem Lernen und Daten von FiveThirtyEight und der Federal Election Commission den Gewinner der US-Präsidentschaftswahlen 2024 vorhersagen kannst.

Entdecke die neue LLM-Reihe von Microsoft und steigere die Genauigkeit deines Modells von 65% auf 86%, indem du es mit dem Klassifizierungsdatensatz für den E-Commerce fein abstimmst.

Lerne, KI-Chatbots mit Streamlit, LangChain und Neo4j zu bauen. Dieses Tutorial behandelt die Erstellung von Benutzeroberflächen für LLM-Apps, die Implementierung von RAG und die Bereitstellung in Streamlit Cloud.