AI-tutorials

Er is een optimaal aantal verborgen lagen en neuronen voor een kunstmatig neuraal netwerk (ANN). Deze tutorial bespreekt een eenvoudige aanpak om de optimale aantallen lagen en neuronen voor ANN's te bepalen.

Leer wat LiteLLM is en hoe je het gebruikt voor uniforme API-calls naar verschillende LLM-providers, met basis-API-gebruik, foutafhandeling, fallbacks, streaming, gestructureerde outputs en kostentracking.

Leer een RAG-applicatie bouwen met Llama 3.1 8B met Ollama en Langchain door de omgeving in te richten, documenten te verwerken, embeddings te maken en een retriever te integreren.

Leer hoe je een app voor afbeeldingsonderschriften bouwt met Streamlit voor de front-end, Llama 3.2 90B voor het genereren van onderschriften en Groq als de API.

Krijg stapsgewijze instructies om Llama 3.2 1B in te stellen en uit te voeren op je Android-apparaat met het Torchchat-framework.

Leer stap voor stap hoe je een RAG-applicatie opzet met Llama 3.2 Vision, Ollama en ColPali.

Leer hoe je een meertalige app voor code-uitleg bouwt met Llama 3.3, Hugging Face en Streamlit.

We fine‑tunen Llama 3 op een dataset met patiënt‑arts‑gesprekken en maken zo een model dat is toegespitst op medische dialogen. Na het mergen, converteren en kwantiseren is het klaar voor privé lokaal gebruik via de Jan‑applicatie.

Leer hoe je een retrieval-augmented generation (RAG)-pipeline bouwt met Llama 4 om een eenvoudige webapplicatie te maken.

Leer hoe je Meta's LLaMA 4 Scout implementeert en gebruikt met vLLM op RunPod voor zowel tekstaanvulling als multimodale inferentie.

Leer LLM’s finetunen op eigen datasets, prestaties evalueren en modellen naadloos exporteren en serven met het low/no-code framework van LLaMA-Factory.

Leer hoe je het Llama 3.2 11B vision-model met Gradio gebruikt om een multimodale webapp te maken die fungeert als een klantenservice-assistent.