LLM - Large Language Models & Transformer zur effizienten Textverarbeitung Seminar

Schulung in Textverarbeitung mit Python mit Transformer-Architekturen für den praktischen Einsatz von LLMs und Hugging Face Tools

Dieses zweitägige Seminar (jeweils 9 bis 15 Uhr) vermittelt praxisnah die Grundlagen und moderne Anwendungsmöglichkeiten von Large Language Models (LLMs):

Überblick über die Architektur und Funktionsweise von Transformern
Nutzung vortrainierter Modelle für Textklassifikation, Informationsextraktion und Textzusammenfassung
Tokenisierung, Kontextfenster und Embeddings verstehen und anwenden
Pre-Training, Fine-Tuning und effiziente Anpassungsstrategien
Praktische Übungen mit Hugging Face Transformers und Python für eigene Projekte

Dieses zweitägige Seminar (jeweils 9 bis 15 Uhr) vermittelt praxisnah die Grundlagen und moderne Anwendungsmöglichkeiten von Large Language Models (LLMs):

Überblick über die Architektur und Funktionsweise von Transformern
Nutzung vortrainierter Modelle für Textklassifikation, Informationsextraktion und Textzusammenfassung
Tokenisierung, Kontextfenster und Embeddings verstehen und anwenden
Pre-Training, Fine-Tuning und effiziente Anpassungsstrategien
Praktische Übungen mit Hugging Face Transformers und Python für eigene Projekte

(*) zzgl. MwSt (**) inkl. MwSt

Termin (2 Tage zu 6h)	Ort	Belegung	Preise
Mo 09.03 - Di 10.03.26	Live-Online Zoom Meeting		1.000,00 € () 1.190,00 € (*)	BUCHEN
Do 18.06 - Fr 19.06.26	Live-Online Zoom Meeting		1.000,00 € () 1.190,00 € (*)	BUCHEN
Mo 30.11 - Di 01.12.26	Live-Online Zoom Meeting		1.000,00 € () 1.190,00 € (*)	BUCHEN

Inhouse-/Firmenschulung:

Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Kurs auf einen Blick

Über die Schulung

Dauer: 2 Tage zu 6h (9-15Uhr)
Gruppengröße: 3-10
Level: Anfänger mit Programmiererfahrung
Anteil Coding: 60%
Sprache: Python
Bibliotheken: Hugging Face Transformers, PyTorch, Keras/TensorFlow
Skript: .pdf (Theorie, Aufgaben & Lösungen)

Ihr Trainer für den Kurs

Unsere Trainer bei EnableAI

Kursinhalte auf einen Blick

Grundlagen von Large Language Models (LLMs) und Transformer-Architekturen
Tokenisierung, Kontextfenster und Embeddings verstehen und anwenden
Textklassifikation, Informationsextraktion und Zusammenfassung mit LLMs
Pre-Training, Fine-Tuning und parameter-effiziente Anpassungsstrategien
Praxisorientierte Arbeit mit vortrainierten Modellen
Hands-On Übungen mit Python und Hugging Face Transformers
Modellvergleich, Analyse von Ergebnissen und Optimierung von Workflows
Effiziente Nutzung von GPU-Ressourcen für Training und Inferenz
Einblick in moderne NLP-Anwendungsfälle und Best Practices

Beschreibung des LLM / Transformer Seminars

Large Language Models (LLMs) und Transformer-Architekturen sind allgegenwärtig in modernen Anwendungen der Sprachverarbeitung. Hierzu zählen:

Automatische Textklassifikation
Informationsextraktion aus Dokumenten
Textzusammenfassungen
Maschinelle Übersetzung
Intelligente Suchfunktionen
Recommender-Systeme
Chat- und Assistenzsysteme

und viele weitere Einsatzfelder. Der Kurs „Large Language Models & Transformer“ führt die Teilnehmer praxisnah durch moderne Verfahren der maschinellen Sprachverarbeitung. Der Kurs vermittelt theoretische Grundlagen unterstützt durch praktische Übungen in vielseitigen Anwendungsbereichen.

Wir beginnen mit einer Einführung in LLMs und Transformer-Architekturen, gefolgt von Tokenisierung, Kontextfenstern und Embeddings, um ein Verständnis dafür zu entwickeln, wie Sprache für Modelle numerisch dargestellt wird. Danach wenden die Teilnehmer vortrainierte LLMs für Aufgaben wie Textklassifikation, Informationsextraktion und Textzusammenfassung an.

Ein weiterer Schwerpunkt liegt auf Pre-Training, Fine-Tuning und modernen, parameter-effizienten Anpassungsmethoden. Die praxisnahen Übungen erfolgen mit Python und Hugging Face Transformers, sodass die erlernten Methoden direkt auf eigene Projekte übertragen werden können. Abschließend werden typische Fehlerbilder analysiert, Modelle verglichen und Optimierungsstrategien vermittelt, um LLMs effizient in produktiven Workflows einzusetzen.

Large Language Models (LLMs) und Transformer-Architekturen sind allgegenwärtig in modernen Anwendungen der Sprachverarbeitung. Hierzu zählen:

Automatische Textklassifikation
Informationsextraktion aus Dokumenten
Textzusammenfassungen
Maschinelle Übersetzung
Intelligente Suchfunktionen
Recommender-Systeme
Chat- und Assistenzsysteme

Was lernen Sie im LLM Kurs?

Diese Schulung vermittelt die Grundlagen der Large Language Models (LLMs) und Transformer-Architekturen mit dem Ziel, dass jeder Teilnehmer nach Abschluss das Gelernte selbständig auf eigene NLP-Probleme anwenden kann.

Am Anfang stehen Tokenisierung, Kontextfenster und Embeddings, die notwendig sind, um Textdaten für eine Verarbeitung durch LLMs aufzubereiten. Danach wenden die Teilnehmer vortrainierte LLMs für verschiedene Aufgaben an, z.B.

Textklassifikation
Informationsextraktion
Textzusammenfassung
Maschinelle Übersetzung
Semantische Analyse

Durchgeführt werden die Übungen in Python unter Verwendung von Standardbibliotheken. Für die Arbeit mit Hugging Face Transformers und Deep-Learning-Modellen nutzen die Teilnehmer Jupyter Notebooks mit GPU-Unterstützung, falls nötig. Dabei wird der Fokus auf praxisnahen Workflows gelegt, sodass die erlernten Methoden direkt auf eigene Projekte übertragen werden können.

Diese Schulung vermittelt die Grundlagen der Large Language Models (LLMs) und Transformer-Architekturen mit dem Ziel, dass jeder Teilnehmer nach Abschluss das Gelernte selbständig auf eigene NLP-Probleme anwenden kann.

Am Anfang stehen Tokenisierung, Kontextfenster und Embeddings, die notwendig sind, um Textdaten für eine Verarbeitung durch LLMs aufzubereiten. Danach wenden die Teilnehmer vortrainierte LLMs für verschiedene Aufgaben an, z.B.
- Textklassifikation
- Informationsextraktion
- Textzusammenfassung
- Maschinelle Übersetzung
- Semantische Analyse
Durchgeführt werden die Übungen in Python unter Verwendung von Standardbibliotheken. Für die Arbeit mit Hugging Face Transformers und Deep-Learning-Modellen nutzen die Teilnehmer Jupyter Notebooks mit GPU-Unterstützung, falls nötig. Dabei wird der Fokus auf praxisnahen Workflows gelegt, sodass die erlernten Methoden direkt auf eigene Projekte übertragen werden können.

Besonderheit dieser Schulung

Insbesondere für die Berechnung von Deep-Learning-Modellen ist eine GPU von großer Bedeutung. Daher arbeitet jeder Teilnehmer im Seminar in der Cloud auf einer eigenen NVIDIA GPU, um neuronale Netze oder Large Language Models eigenständig zu programmieren, zu trainieren und auszuwerten. Der Zugang erfolgt bequem über den Webbrowser, sodass typische Fragestellungen und Probleme, die in der praktischen Anwendung beim Rechnen mit GPUs auftreten, direkt behandelt werden können.

Vergleichen Sie unser Seminarangebot: Viele andere Schulungen bieten keine oder nur leistungsschwache GPUs für die Teilnehmer, was die praktische Umsetzung stark einschränkt.

Rezensionen auf Google

5,0 ★★★★★ (30 Rezensionen)

Ich habe an einem einwöchigen Kurs über Deep Learning teilgenommen. Die Kursmaterialien sind sehr gut und vollständig ausgearbeitet. Außerdem haben das Skript und auch der Kurs insgesamt eine sehr gute Struktur. Der Tutor ist sehr engagiert …

Super Seminar ! (...) Die Inhalte waren sehr gut gegliedert und wurden absolut verständlich vermittelt. Insgesamt hat die Kombination aus theoretischen Inhalten und praktischen Übungen ein ganzheitliches Verständnis ermöglicht ...

Sehr gutes Verhältnis aus Information und Zeit, sehr gute persönliche Ansprache, sehr angenehmer Vortrag ohne viel Bla-Bla. Insgesamt absolut zufrieden.

Sehr hilfreicher Kurs um die praktischen basics von Künstlicher Intelligenz und neuronalen Netzwerken zu lernen. Theorie und Praxis in schneller Abwechslung um die gelernten Konzepte umzusetzen und zu üben ...

Ein toller Kurs, durchgeführt mit geballter Expertise und einer Engelsgeduld bei der Beantwortung von Fragen und Behebung von Problemen. Ich habe in diesen drei Tagen enorm viel gelernt, ...

Alle Google Bewertungen

Kursinhalte

Organisatorisches

FAQ

Tag 1

Tag 2

09:00 – 09:15

Begrüßung und Organisatorisches

Vorstellungsrunde
Erwartungen der Teilnehmer
Einrichtung der Jupyter-Notebooks

09:15 – 10:45

Einführung in Large Language Models

Überblick über praxisrelevante Problemstellungen mit LLMs
Grundlagen von LLMs und Transformer-Architekturen
Modellfamilien: Encoder-, Decoder- und hybride Modelle
Kontextlänge, Modellgröße und Leistungsfähigkeit
Praxisübung: Erste Inferenz mit vortrainierten Modellen in Python

10:45 – 11:00

Kaffeepause

11:00 – 12:30

Transformer-Architektur & Attention

Motivation für Transformer gegenüber klassischen RNNs/LSTMs
Self-Attention verständlich erklärt
Encoder vs. Decoder: Unterschiede und typische Anwendungsfälle
Skalierungseffekte bei Transformer-Modellen
Übung: Visualisierung von Attention-Gewichten und Analyse von Token-Entscheidungen

12:30 – 13:30

Mittagspause

13:30 - 15:00

Tokenisierung, Kontext & Embeddings

Tokenisierung: Bedeutung, Subword-Tokenisierung und Einfluss auf Kontextfenster
Embeddings als numerische Sprachrepräsentation
Semantische Ähnlichkeit und Vektorraumanalyse
Übung: Tokenisierung realer Texte und Vergleich unterschiedlicher Tokenizer
Übung: Arbeiten mit Embeddings, Ähnlichkeitsberechnungen und einfache Retrieval-Beispiele

09:00 – 09:15

Rückblick und offene Fragen von Tag 1

09:15 – 10:45

Pre-Training & Fine-Tuning

Grundlagen von Pre-Training und Fine-Tuning
Selbstüberwachtes Lernen bei LLMs
Parameter-effiziente Anpassungsstrategien
Praxisübung: Nutzung vortrainierter Modelle für konkrete Aufgaben
Übung: Vergleich der Ergebnisse vor und nach Fine-Tuning

10:45 – 11:00

Kaffeepause

11:00 – 12:30

LLM-Werkzeuge & Infrastruktur

Überblick über das LLM-Ökosystem
Hugging Face Transformers: Laden, Inferenz, Pipelines
Hardware-Anforderungen: lokale Nutzung vs. Cloud
Effizienz, Laufzeit und Speicherverbrauch
Übung: Experimente mit Modellgrößen und Laufzeitvergleichen

12:30 – 13:30

Mittagspause

13:30 - 15:00

NLP-Anwendungsfälle mit LLMs

Typische NLP-Aufgaben: Textklassifikation, Informationsextraktion, Textzusammenfassung
Analyse typischer Fehlerbilder und Grenzen der Modellqualität
Vergleich verschiedener Modelle auf identische Aufgaben
Übung: Umsetzung eines vollständigen NLP-Workflows
Übung: Optimierung bestehender Workflows und Ableitung von Best Practices

Zielgruppe des Large Language Model Seminars

Dieses Seminar richtet sich an technisch interessierte Fachkräfte, die die Arbeit mit Large Language Models und Transformer-Architekturen praxisnah erlernen möchten. Die Teilnehmer möchten in der Lage sein, vortrainierte Modelle für Aufgaben wie Textklassifikation, Informationsextraktion oder Textzusammenfassung einzusetzen und bei Bedarf anzupassen. Außerdem erwerben sie Kenntnisse im Umgang mit Python, Hugging Face Transformers, PyTorch und Keras / TensorFlow sowie in der effizienten Nutzung von GPUs für Training und Inferenz.

Voraussetzungen für den LLM / Transformer / KI Kurs

Grundkenntnisse in Python oder solide Erfahrung in einer anderen Programmiersprache werden vorausgesetzt. Erste einfache Erfahrung mit Textdaten ist notwendig. Folgende Kenntnisse sind sehr hilfreich: Eine Funktion in Python schreiben, for-Schleife, Laden von Python-Modulen, einen einfachen Plot mit Matplotlib erstellen, Grundfunktionen der Numpy-Bibliothek.

Sehr empfehlenswert sind außerdem grundlegende Vorkenntnisse im Bereich der Statistik (Mittelwert, Median, Standardabweichung, Normalverteilung), Kenntnisse grundlegender mathematischer Symbole und Begriffe (Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion).

Jupyter Notebook wird als Programmieroberfläche verwendet. Vorkenntnisse sind nicht notwendig.
Hilfestellung, Dokumentation und weiterführende Informationen im Internet sind meist auf Englisch. Daher sind die Folien im Kurs auf Englisch. Das Seminar selbst wird auf Deutsch gehalten.

Didaktischer Aufbau der Schulung mit Hugging Face

Dieses Seminar für Deep Learning in Python lebt von der Praxis. Die Teilnehmer programmieren direkt mit KI Algorithmen (tiefe neuronale Netze) und verwenden selbstständig Python in der cloud mit Jupyter Notebooks. Das Erklärte kann in diesem Künstliche Intelligenz Training gleich umgesetzt und vertieft werden. Verschiedene Aufgaben werden durch den Trainer begleitet und die Teilnehmer werden bei Fragen aktiv unterstützt.

Technik im LLM Seminar

Die Teilnehmer benötigen für die Übungsaufgaben Laptops. Wir empfehlen, Ihren eigenen Laptop mitzubringen. Ein Laptop mit GPU wird nicht benötigt.
Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Seminar online zum Download zur Verfügung gestellt. Sie erhalten vor dem Seminar per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können.
Das Programmieren und das Trainieren der Algorithmen erfolgt auf GPUs in der Cloud, welche über eine URL direkt im Browser aufgerufen wird. Sie erhalten vor dem Seminar per E-Mail einen Link, um zu testen, ob Einstellungen den Zugriff auf die Cloud beeinträchtigen.
Im Seminar wird das Betriebssystem Windows verwendet. Der Umgang mit Ihrem verwendeten Betriebssystem und Laptop sollte bekannt sein. Insbesondere sollten Sie ohne Schwierigkeiten Sonderzeichen auf der Tastatur finden (insbesondere bei Apple Geräten werden auf manchen Tastaturen nicht immer runde, eckige bzw. geschweifte Klammern dargestellt).

Gibt es ein Buch, welches den Kurs ergänzt?

Für das Seminar sind folgende Bücher als Ergänzung hilfreich:

Für den ersten Tag: Delip Rao, Goku Mohandas: Natural Language Processing with PyTorch – Build Intelligent Language Applications Using Deep Learning

Für den zweiten Tag: Lewis Tunstall, Leandro von Werra, Thomas Wolf: Natural Language Processing with Transformers

Grundsätzlich wird alles Wissen und Codebeispiele im Kurs so erklärt, dass es nicht nötig ist vor dem Kurs ein Buch zu lesen. Sie sollten lediglich darauf achten, dass Sie die Voraussetzungen (siehe Reiter Organisatorisches –> Voraussetzungen) erfüllen.

In welchen Städten wird das Seminar angeboten?

Wir bieten den Kurs in folgender Stadt an: Stuttgart, München, Frankfurt, Hamburg, Berlin. Falls Sie die Schulung gerne in einer anderen Stadt oder direkt bei Ihnen im Unternehmen besuchen möchten, kontaktieren Sie uns gerne.

Ich möchte gerne viel coden und hands-on Lernen. Ist das der richtige Kurs?

Definitiv. Sie werden sich im Kurs wohlfühlen. Die erste der Lektionen am ersten Tag schafft die Grundlagen und sie können den Editor gleich selbst ausprobieren. Ab der zweiten Lektion ist mindestens die Hälfte der Zeit zum selbstständigen Üben, so dass Sie das Besprochene direkt coden können und selbst erkennen, wo noch Fragen bestehen, die Sie mit dem Dozenten direkt besprechen können.

Welche Lernmethoden werden verwendet?

Im Seminar enthält jeder Block (meist über etwa 90 Minuten) eine oder mehrere Theorie- und Praxiseinheiten. Die Theorieeinheit dient dazu, Ihnen das nötige Wissen zu vermitteln, um die Übungsaufgaben zu verstehen und selbstständig lösen zu können. Wir verzichten auf langatmige, wissenschaftliche Theorieeinheiten und konzentrieren uns auf den theoretischen Stoff der zu einem besseren Verständnis beiträgt. Der Fokus liegt auf der Praxis, d.h. dem Codeschreiben und Lösen von kleinen Verständnisaufgaben zum Lernstoff. Fragen von Teilnehmern sind jederzeit möglich. Während der Praxiseinheit werden die Fragen individuell vom Dozenten beantwortet. Fragen von allgemeinem Interesse werden allen Teilnehmern erklärt. Die Folien, welche die Theorie und weitere Erklärungen vom Code enthalten erhalten Sie als pdf und in gedruckter Version. Codebeispiele und die Musterlösung der Übungsaufgaben liegen digital vor.

Wie sehen die Übungen für die Teilnehmer aus?

Die Übungen bestehen hauptsächlich aus Coding Aufgaben, d.h. Sie schreiben entweder kurze Codebeispiele oder Sie werden gefragt, Codelücken in einem bestehenden Code zu ergänzen. Letzteres schult auch das Codeverstehen. Die Aufgaben sind so gewählt, dass die wichtigen Aufgaben von allen Teilnehmern in der verfügbaren Zeit gelöst werden können. Wir haben Coding Aufgaben unterschiedlichen Schwierigkeitsgrades vorbereitet, so dass schnellere Teilnehmer oder Teilnehmer mit Vorwissen zusätzlich an weiteren Aufgaben üben können. Desweiteren gibt es für manche Kapitel kurze Kontrollfragen zum Theorieteil.

Bildungsschecks

Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.

Mehr Informationen

Stimmen bisheriger Teilnehmer

Play

Tycho Stange
Manager
KMPG

Play

Dr. Tina Miedtank
Postdoc
Rotterdam School of Management

Play

Sarah Wagner
Promotion in Astrophysik
Universität Würzburg

Play

Matteo Vandelli
Universität Hamburg

Play

Jakob

Play

Martin Schlederer
Universität Hamburg

Mir hat die Schulung sehr gut gefallen, es war interessant zu sehen welche Möglichkeiten es mit Python so alles gibt und wie man es am Besten umsetzt. Ich hoffe Du kannst weiterhin viele Teilnehmer für dieses zukunftsträchtige Thema gewinnen. Alles Gute für Deine nächsten Schulungen.

Stefan KönigData Science in Python

Das Seminar ist gut strukturiert und ermöglicht auch Teilnehmern mit geringeren Vorkenntnissen einen guten Einstieg in die Materie. Übungsaufgaben zu den verschiedenen Einheiten ermöglichen es, das Erlernte zu festigen. Dabei bieten unterschiedliche Schwierigkeitsgrade der Übungen für alle Teilnehmer einen Mehrwert. (...) Jan erklärt gut verständlich, motiviert und sorgt für eine gute Stimmung in der Gruppe. Er hat für jeden Teilnehmer individuelle Tipps parat und macht Lust auf "mehr Python". (...)

Lea HartmannData Science in Python

Mir hat die Schulung sehr gut gefallen,Herr Köhler hat es geschafft die Inhalte der Veranstaltung verständlich zu vermitteln. Die praktischen Aufgaben sind sehr gut vorbereitet und unterstützen beim Verstehen des umfangreichen theoretischen Inhalts. es war interessant zu sehen welche Möglichkeiten es mit Python so alles gibt und wie man es am Besten umsetzt. Ich hoffe Du kannst weiterhin viele Teilnehmer für dieses zukunftsträchtige Thema gewinnen. Alles Gute für Deine nächsten Schulungen.

Bennet BrunkeMaschinelles Lernen ((Un-)Supervised)

Sehr gutes Seminar, Jan geht auf alle Fragestellungen ein und sucht weitergehende Antworten auch teilweise im Nachgang. Das Seminar ist sehr strukturiert, verständlich und nachvollziehbar. Der Einstieg in das Thema Python und Data Mining ist sehr gut gelungen.

Simon GoettlerData Science in Python

Weiterbildungen sind bis zu einem gewissen Grad ja immer Glückssache - die Agenda gibt allenfalls einen groben Überblick darüber, was einen erwartet. Das Seminar bei Jan Köhler war ausgezeichnet, eine hervorragende Mischung aus Theorie/Erklären und der praktischen Übung am Computer. Ich würde das Seminar bei der Bitkom Akademie nicht zuletzt auch wegen des Seminarleisters uneingeschränkt weiterempfehlen.

Andreas StreimData Science in Python

Es wurde auf alle Teilnehmer eingegangen. Alle Inhalte wurden gut vermittelt. Auch für Fragen, die nicht direkt zum Seminar gehörten war Zeit. Es hat Spaß gemacht und ich habe viel gelernt. Sobald es ein anschließendes Seminar gibt, bin ich dabei ...

Gerhard HeinzerlingData Science in Python

Das Seminar bot eine ausgewogene Mischung aus Theorie und Praxis. Durch die Übungsblöcke konnte man den Inhalt direkt ausprobieren und ein Gefühl für die Materie bekommen. Bei Fragen und Schwierigkeiten fand immer eine zeitnahe und ausführliche Unterstützung statt. Zudem ging der Seminarleiter kurzfristig auf die Anregungen und Wünsche der Teilnehmer ein. Insgesamt machte der Seminarleiter einen sehr kompetenten Eindruck und ich würde dieses Seminar ohne Einschränkungen weiter empfehlen.

Dr. André SteimersData Science in Python

Herr Köhler nimmt sich ausreichend Zeit für Fragen und Erläuterungen und kann diese aufgrund überzeugender Fachkompetenz sehr gut verständlich erklären. Die Inhalte der Veranstaltung waren gut gegliedert. Insgesamt mit einem guten Verhältnis aus Theorie und Praxis. Die organisatorischen Rahmenbedingungen waren sehr gut. Insgesamt würde ich Herr Köhler und die Veranstaltung mit 5/5 Sternen bewerten.

Bennet BrunkeData Science in Python

Eindrücke sind subjektiv und hängen von u. a. Vorkenntnissen sowie Erwartungen ab. Mir fiel es leicht, den Themen zu folgen, da sie m. M. n. didaktisch gut aufgebaut waren und klar präsentiert wurden. Die Kompetenz des Kursleiters war jederzeit spürbar. Auf Fragen (auch weiterführende) kamen hilfreiche Antworten. In diesem Kurs habe ich sowohl eine neue Sprache kennengelernt, als auch neue Methoden, die von dieser unterstützt werden.

Ali CavliData Science in Python

Das Seminar mit Jan Köhler hat mir sehr viel Spaß gemacht. Hr. Köhler vermittelt Inhalte klar und verständlich und geht immer auf die Fragen der Teilnehmer ein. Mir hat besonders der Mix aus Theorie und Praxis (in Form von Übungsaufgaben) gefallen. In den drei Seminartagen konnte ich sehr viel von ihm lernen. Die Lage und Ausstattung der Seminarräume waren ebenfalls sehr gut. Das Seminar bei Hr. Köhler würde ich wieder besuchen und kann es zu 100% empfehlen.

Tobias SchröderData Science in Python

Jan Köhler takes the time to respond to all questions and remarks from the participants and explains everything well understandable. The course offers a very good individual support during exercises due to the small learning groups.

Julia MildnerData Science in R

Das war ein super Workshop, bei dem man viel mitnehmen konnte. Sowohl von der Stoffvermittlung als auch von den Übungen war es super. Klar ist in der Kürze der Zeit recht kompakt, aber das Wissen was vermittelt wird, kann im Selbststudium weiter vertieft werden. Der Workshop bietet dazu die perfekte Grundlage. Es steht auch außer Frage, dass die Kompetenz und Know-How zur Vermittlung des Stoffes vorhanden sind.

Helmut E.Data Science in Python

Warum bei Enable AI buchen

Leistungen im Kurs

Ihr Trainer für den Kurs

Unsere Trainer bei EnableAI

Haben Sie noch Fragen

Jan Köhler - Gründer von Enable AI

Fragen zum Inhalt des Seminars?
Sind Sie sich unsicher, ob der Kurs Sie weder über- noch unterfordert?
Fragen, ob Sie das Wissen aus dem Kurs für Ihre tägliche Arbeit anwenden können?
weitere generelle Fragen zur Schulung?
einen Terminwunsch?

Rufen Sie uns an oder schreiben Sie uns eine Email

0711-96 88 15 53
[email protected]

Gerne können Sie auch direkt einen Termin mit uns vereinbaren oder eine Nachricht schreiben.

Inhouseschulung / Firmenschulung

Sie suchen einen Large Language Model Intensivkurs als Firmen-Weiterbildung? Der Inhalt der Schulung kann individuell auf Ihre Bedürfnisse angepasst werden. In Abstimmung mit dem Dozenten können Sie Schwerpunkte setzen, einzelne Themen der offenen Schulung auslassen und zusätzliche Inhalte ergänzen.

Vereinbaren Sie einen Termin für ein kostenloses Beratungsgespräch.

Die Firmen-Trainings des LLM-Kurses können Live-Online oder direkt bei Ihnen vor Ort durchgeführt werden. Alternativ können die Schulungen auch in Städten wie München, Stuttgart, Berlin, Hannover, Köln, Hamburg, Düsseldorf, Frankfurt, Dortmund, Münster, Essen, Bonn, Dresden, Leipzig, Bremen, Duisburg, Bochum, Wuppertal, Bielefeld, Mannheim, Freiburg, Braunschweig, Kiel oder Karlsruhe stattfinden.

Thematisch ähnliche
Schulungen

Auswahl ähnlicher Kurse wie der Natural Language Processing Kurs

Data Science Bootcamp Weiterbildung

Python - 5 Tage

Sie erlernen einen umfassenden Einstieg in die Programmiersprache Python mit Fokus auf Data Science und Machine Learning. Nach dem Seminar sind sie fähig einfache Datenanalysen in Ihrem Unternehmen durchzuführen und ihre erworbende Kenntnisse selbständig zu vertiefen. U.a. folgende Python Pakete werden erläutert: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.

Deep Learning Kurs Künstliche Intelligenz Schulung

Python - 3 Tage

In diesem Kurs lernen Sie die Grundlagen von Deep-Learning kennen (mit Beispielen aus der Bild-, Text- und Sequenzdatenbearbeitung). Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Vorkommende Neuronale-Netzwerk-Typen umfassen CNNs, RNNs und LSTMs.

Python Bilderkennung KI Deep Learning

Python - 3 Tage

In diesem Kurs lernen Sie die Grundlagen von Deep-Learning (mit Beispielen aus der Bildverarbeitung) kennen. Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Die praktischen Anwendungsfällen umfassen: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.