KI-Tutorials

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.

Lerne Speculative RAG, eine Technik, die RAG durch einen zweistufigen Entwurfs- und Verifizierungsprozess verbessert, und wende deine Fähigkeiten bei einer praktischen Umsetzung mit Hugging Face Transformers an.

Lerne, wie Schwarmintelligenz funktioniert, indem du Ameisenkolonie-Optimierung (ACO), Partikelschwarm-Optimierung (PSO) und künstliche Bienenkolonie (ABC) mit Python implementierst.

Lerne, wie du das Llama 3.2 11B-Vision-Modell mit Gradio verwendest, um eine multimodale Web-App zu erstellen, die als Kundenbetreuungsassistent funktioniert.

In dieser Schritt-für-Schritt-Anleitung erfährst du, wie du die Fähigkeit von GPT-4o, georgische Kirchen zu erkennen, mit Bildern verbessern kannst.

Llama Stack ist eine Reihe von standardisierten Tools und APIs, die von Meta entwickelt wurden und die Erstellung und den Einsatz großer Sprachmodellanwendungen vereinfachen.

Passe das GPT-4o Mini-Modell an, um Beiträge auf Reddit in "stressig" und "nicht stressig" zu klassifizieren.

Die Feinabstimmung großer Sprachmodelle (Large Language Models, LLMs) hat die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) revolutioniert und bietet nie dagewesene Möglichkeiten für Aufgaben wie Sprachübersetzung, Stimmungsanalyse und Texterstellung. Dieser transformative Ansatz nutzt vortrainierte Modelle wie GPT-2 und verbessert ihre Leistung in bestimmten Bereichen durch den Prozess der Feinabstimmung.

Wir werden Llama 3 anhand eines Datensatzes von Patienten-Arzt-Gesprächen verfeinern und ein Modell entwickeln, das auf den medizinischen Dialog zugeschnitten ist. Nach dem Zusammenführen, Konvertieren und Quantisieren des Modells ist es bereit für die private lokale Nutzung über die Jan-Anwendung.