Praxiseinstieg Large Language Models: Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Weitere Verfasser: | |
| Format: | Buch |
| Sprache: | German English |
| Veröffentlicht: |
Heidelberg
O'Reilly
2024
dpunkt.verlag GmbH |
| Ausgabe: | 1. Auflage |
| Schriftenreihe: | Animals |
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | Aus dem Imprint: "German language edition published by dpunkt.verlag GmbH. - Dieses Buch erscheint in Kooperation mit O'Reilly Media Inc. unter dem Imprint O'Reilly" |
| Beschreibung: | 271 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| ISBN: | 9783960092407 3960092407 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV049621920 | ||
| 003 | DE-604 | ||
| 005 | 20241106 | ||
| 007 | t| | ||
| 008 | 240320s2024 gw a||| |||| 00||| ger d | ||
| 015 | |a 24,N06 |2 dnb | ||
| 016 | 7 | |a 1317616235 |2 DE-101 | |
| 020 | |a 9783960092407 |c Broschur : circa EUR 39.90 (DE), circa EUR 41.10 (AT) |9 978-3-96009-240-7 | ||
| 020 | |a 3960092407 |9 3-96009-240-7 | ||
| 024 | 3 | |a 9783960092407 | |
| 035 | |a (OCoLC)1437883958 | ||
| 035 | |a (DE-599)DNB1317616235 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 1 | |a ger |h eng | |
| 044 | |a gw |c XA-DE-BW | ||
| 049 | |a DE-1102 |a DE-355 |a DE-B768 |a DE-706 |a DE-862 |a DE-29T |a DE-523 |a DE-634 |a DE-11 |a DE-Aug4 |a DE-858 |a DE-1052 | ||
| 084 | |a ST 306 |0 (DE-625)143654: |2 rvk | ||
| 084 | |8 1\p |a 004 |2 23sdnb | ||
| 100 | 1 | |a Ozdemir, Sinan |e Verfasser |0 (DE-588)1153501937 |4 aut | |
| 240 | 1 | 0 | |a Quick start guide to large language models |
| 245 | 1 | 0 | |a Praxiseinstieg Large Language Models |b Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs |c Sinan Ozdemir ; deutsche Übersetzung von Frank Langenau |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |b O'Reilly | |
| 264 | 1 | |a Heidelberg |b dpunkt.verlag GmbH |c 2024 | |
| 300 | |a 271 Seiten |b Illustrationen, Diagramme |c 24 cm x 16.5 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 500 | |a Aus dem Imprint: "German language edition published by dpunkt.verlag GmbH. - Dieses Buch erscheint in Kooperation mit O'Reilly Media Inc. unter dem Imprint O'Reilly" | ||
| 650 | 0 | 7 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a ChatGPT |0 (DE-588)1285065492 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Prompt Engineering |0 (DE-588)1322633797 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Großes Sprachmodell |0 (DE-588)1322631905 |2 gnd |9 rswk-swf |
| 653 | |a NLP | ||
| 653 | |a Natural Language Processing | ||
| 653 | |a Python | ||
| 653 | |a Machine Learning | ||
| 653 | |a Q&A | ||
| 653 | |a Question Answering | ||
| 653 | |a Prompt Engineering | ||
| 653 | |a LangChain | ||
| 653 | |a AI | ||
| 653 | |a KI | ||
| 653 | |a Attention | ||
| 653 | |a OpenAI | ||
| 653 | |a Transfer Learning | ||
| 653 | |a Transformer | ||
| 653 | |a GPT-4 | ||
| 653 | |a BERT | ||
| 653 | |a T5 | ||
| 653 | |a Bard | ||
| 653 | |a EleutherAI | ||
| 653 | |a Cohere | ||
| 653 | |a BART | ||
| 653 | |a LLaMa | ||
| 653 | |a Embeddings | ||
| 689 | 0 | 0 | |a Prompt Engineering |0 (DE-588)1322633797 |D s |
| 689 | 0 | 1 | |a Großes Sprachmodell |0 (DE-588)1322631905 |D s |
| 689 | 0 | 2 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |D s |
| 689 | 0 | 3 | |a ChatGPT |0 (DE-588)1285065492 |D s |
| 689 | 0 | |5 DE-604 | |
| 700 | 1 | |a Langenau, Frank |0 (DE-588)123178002 |4 trl | |
| 775 | 0 | 8 | |i Parallele Sprachausgabe |z 9780138199197 |z 9780135346563 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-96010-853-5 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, EPUB |z 978-3-96010-854-2 |
| 856 | 4 | 2 | |m Digitalisierung Bibliothek HTW Berlin |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034965954&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 883 | 1 | |8 1\p |a vlb |d 20240130 |q DE-101 |u https://d-nb.info/provenance/plan#vlb | |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-034965954 | |
Datensatz im Suchindex
| DE-BY-862_location | 2000 |
|---|---|
| DE-BY-FWS_call_number | 2000/ST 306 O29 |
| DE-BY-FWS_katkey | 1078278 |
| DE-BY-FWS_media_number | 083000527426 |
| _version_ | 1817387068610838528 |
| adam_text |
INHALT
FIE;
VORWORT
EINLEITUNG
13
15
TEIL I: EINFUEHRUNG IN
LARGE LANGUAGE
MODELS
23
UAGE
T
MIR,
PUB
TION, INC.
S, ELECTRO
1
UEBERBLICK UEBER LARGE
LANGUAGE
MODELS
WAS SIND
LARGE
LANGUAGE MODELS?
DEFINITION VON
LLMS
25
26
28
,
WITHOUT
HAUPTMERKMALE VON
LLMS
30
WIE
LLMS FUNKTIONIEREN
33
GAENGIGE MODERNE
LLMS
42
BERT
42
IT
GPT-3
UND CHATGPT
43
T5
44
LORTLFALERT
DOMAENENSPEZIFISCHE
LLMS
45
R
UCH
STARNRNT
IHHALTG
THAFLELEN
LUNG
ANWENDUNGEN
VON LLMS
KLASSISCHE
NLP-AUFGABEN
46
46
MEN QUELLEN
FREITEXTERZEUGUNG
49
*DE
INFORMATIONSABRUF/NEURONALE
SEMANTISCHE
SUCHE
50
LY.DE.
CHATBOTS
51
DER
TEX
USWIDRIG
GIN ELEK
ZUSAMMENFASSUNG
2
SEMANTISCHE
SUCHE
MIT LLMS
52
53
DIE AUFGABE
54
ASYMMETRISCHE
SEMANTISCHE
SUCHE
55
MARKEN
PATENT
INCH
VER
DER
VER
DIE
LOESUNG IM
UEBERBLICK
56
7
DIE
KOMPONENTEN
57
ENGINES
FUER
TEXT-EMBEDDINGS
58
CHUNKING
VON
DOKUMENTEN
62
VEKTORDATENBANKEN
68
PINECONE
68
OPEN-SOURCE-ALTERNATIVEN
68
NEUEINSTUFEN
DER
ABGERUFENEN
ERGEBNISSE
69
API
70
ALLES
ZUSAMMEN
71
PERFORMANCE
72
DIE
KOSTEN
VON
CLOSED-SOURCE-KOMPONENTEN
75
ZUSAMMENFASSUNG
75
3
ERSTES
PROMPT
ENGINEERING
UND
EIN CHATBOT
MIT
CHATGPT
77
PROMPT
ENGINEERING
77
AUSRICHTUNG
IN
SPRACHMODELLEN
78
EINFACH
FRAGEN
79
FEW-SHOT-LEARNING
81
STRUKTURIERUNG
DER
AUSGABE
82
PERSONAS
FORDERN AUF
83
MIT
PROMPTS
MODELLUEBERGREIFEND
ARBEITEN
85
CHATGPT
85
COHERE
86
OPEN-SOURCE-PROMPT-ENGINEERING
87
EINEN
FRAGE-ANTWORT-BOT
MIT
CHATGPT
AUFBAUEN
89
ZUSAMMENFASSUNG
94
TEIL II:
DAS BESTE
AUS
LLMS
HERAUSHOLEN
97
4
LLMS
MIT
INDIVIDUELLEM
FEINTUNING
OPTIMIEREN
99
TRANSFER
LEARNING
UND
FEINTUNING:
DIE
GRUNDLAGEN
100
DER
FEINTUNING-PROZESS
IM
DETAIL
101
VORTRAINIERTE
CLOSED-SOURCE-MODELLE
ALS
GRUNDLAGE
103
DIE
OPENAI-API
FUER
DAS
FEINTUNING
104
DIE
GPT-3-API
FUER
DAS
FEINTUNING
104
FALLSTUDIE
1:
STIMMUNGSKLASSIFIZIERUNG
VON
AMAZON-REZENSIONEN
105
RICHTLINIEN
UND
BEWAEHRTE
METHODEN
FUER
DATEN
105
INDIVIDUELLE
BEISPIELE
MIT
DER
OPENAL-CLI
VORBEREITEN
106
DIE
OPENAL-CLI
EINRICHTEN
110
HYPERPARAMETER
AUSWAEHLEN
UND
OPTIMIEREN
110
UNSER
ERSTES
FEINGETUNTE
FEINGETUNTE
MODELL
QUALITATIVE
BEWERTU
FEINGETUNTE
GPT-3
FALLSTUDIE
2:
KLASSIFIZIER
AMAZON-REZENSIONEN
.
ZUSAMMENFASSUNG
5
FORTGESCHRITTENES
PROMPT
PROMPT-INJECTION-ANGRI
EINGABEN
UND
AUSGABE]
BEISPIEL:
VALIDIERUN
PROMPTS IM
STAPEL
VERA
PROMPTS
VERKETTEN
.
VERKETTUNG
ALS SCHT
VERKETTUNG,
UM
PRC
BEISPIEL:
SICHERHEIT
PROMPTING
MIT
GEDANK
BEISPIEL:
GRUNDLEGE
NOCH
EINMAL:
FEW-SHOI
BEISPIEL:
GRUNDSCHI
TESTEN
UND
ITERATIVE
EN
ZUSAMMENFASSUNG
. . .
6
EMBEDDINGS
UND
MODELLI
FALLSTUDIE:
EIN
EMPFEH
DAS
PROBLEM
UND D
DAS
PROBLEM
DER
EI
UNSER
EMPFEHLUNG:
EIN
BENUTZERDEFINIT
UM ARTIKEL
ZU
VERGL
MIT BASIS-EMBEDDT
DIE
FEINTUNING-DAI
OPEN-SOURCE-EMB
FEINTUNEN
ZUSAMMENFASSUNG
ZUSAMMENFASSUNG
. .
8
1
INHALT
97
99
100
101
103
104
104
77
77
78
79
81
82
83
85
85
86
87
89
94
57
UNSER ERSTES
FEINGETUNTES LLM
111
58
FEINGETUNTE MODELLE
MIT QUANTITATIVEN
METRIKEN BEWERTEN
111
62
QUALITATIVE
BEWERTUNGSTECHNIKEN
114
68
FEINGETUNTE GPT-3-MODELLE
IN ANWENDUNGEN
INTEGRIEREN
116
68
FALLSTUDIE 2:
KLASSIFIZIERUNG DER
KATEGORIEN VON
68
AMAZON-REZENSIONEN
116
69
ZUSAMMENFASSUNG
117
70
71
5
FORTGESCHRITTENES
PROMPT ENGINEERING
72
PROMPT-INJECTION
-ANGRIFFE
75
EINGABEN UND
AUSGABEN VALIDIEREN
75
BEISPIEL: VALIDIERUNGSPIPELINES
MIT NLI AUFBAUEN
PROMPTS IM STAPEL VERARBEITEN
125
PROMPTS VERKETTEN
126
VERKETTUNG ALS
SCHUTZ GEGEN PROMPT
INJECTION
129
VERKETTUNG, UM
PROMPT STUFFING ZU
VERHINDERN
130
BEISPIEL:
SICHERHEIT DURCH
VERKETTUNG MULTIMODALER
LLMS
132
PROMPTING MIT GEDANKENKETTE
134
BEISPIEL:
GRUNDLEGENDE ARITHMETIK
134
NOCH
EINMAL:
FEW-SHOT-LEARNING
136
BEISPIEL: GRUNDSCHULARITHMETIK
MIT LLMS
136
TESTEN UND
ITERATIVE ENTWICKLUNG
VON PROMPTS
146
ZUSAMMENFASSUNG
147
6
EMBEDDINGS UND
MODELLARCHITEKTUREN ANPASSEN
149
FALLSTUDIE:
EIN EMPFEHLUNGSSYSTEM
AUFBAUEN
150
DAS PROBLEM
UND DIE DATEN
EINRICHTEN
150
DAS PROBLEM
DER EMPFEHLUNG
DEFINIEREN
151
UNSER
EMPFEHLUNGSSYSTEM
IM UEBERBLICK
154
EIN BENUTZERDEFINIERTES
BESCHREIBUNGSFELD
GENERIEREN,
UM ARTIKEL ZU
VERGLEICHEN
157
MIT BASIS-EMBEDDERN
EINE BASELINE
EINRICHTEN
159
DIE
FEINTUNING-DATEN VORBEREITEN
159
OPEN-SOURCE-EMBEDDER
MITHILFE VON SENTENCE
TRANSFORMERS
FEINTUNEN
163
ZUSAMMENFASSUNG
DER ERGEBNISSE
165
ZUSAMMENFASSUNG
168
119
119
121
122
105
105
106
110
110
INHALT
I
9
9
LLMS
IN DIE
PRODUKTION
UEB
CLOSED-SOURCE-LLMS
IN
KOSTENPROGNOSEN
.
API-SCHLUESSELVERWAL
OPEN-SOURCE-LLMS
IN C
TEIL
ILL:
FORTGESCHRITTENE
LM-NUTZUNG
7
JENSEITS
DER
BASISMODELLE:
LLMS
KOMBINIEREN
FALLSTUDIE:
VISUELLES
FRAGE-ANTWORT-SYSTEM
EINFUEHRUNG
IN
UNSERE
MODELLE: DER
VISION
TRANSFORMER,
169
171
171
GPT-2
UND
DISTILBERT
172
EIN
MODELL
FUER
INFER
PROJEKTION
UND
FUSION
VERBORGENER
ZUSTAENDE
175
INTEROPERABILITAET
.
WAS
IST CROSS
-ATTENTION,
UND
WARUM IST
SIE
ENTSCHEIDEND?
176
QUANTISIERUNG
. .
. .
UNSER
BENUTZERDEFINIERTES
MULTIMODALES
MODELL
179
BESCHNEIDEN
UNSERE
DATEN:
VISUAL QA
182
WISSENSDESTILLATION
DIE
VQA-TRAININGSSCHLEIFE
183
FALLSTUDIE:
UNSERE
ZUSAMMENFASSUNG
DER ERGEBNISSE
184
KOSTENPROGNOSEN
N
FALLSTUDIE:
REINFORCEMENT
LEARNING
FROM
FEEDBACK
186
DIE
PLATTFORM
HUGG
UNSER
MODELL: FLAN
-T5
UNSER
BELOHNUNGSMODELL:
SENTIMENT
UND
GRAMMATISCHE
189
ZUSAMMENFASSUNG
. .
.
IHRE
BEITRAEGE
SIND
KORREKTHEIT
189
WEITERMACHEN!
.
DIE
BIBLIOTHEK
TRANSFORMER
REINFORCEMENT
LEARNING
191
DIE
RLF-TRAININGSSCHLEIFE
192
ZUSAMMENFASSUNG
DER
ERGEBNISSE
195
TEIL IV:
ANHAENGE
ZUSAMMENFASSUNG
196
ANHANG
A:
LLM-FAQS
8
FEINTUNING
FORTGESCHRITTENER
OPEN-SOURCE-LLMS
197
BEISPIEL:
MULTILABEL-KLASSIFIZIERUNG
MIT BERT
FUER
ANIME-GENRES
198
ANHANG
B:
LLM-GLOSSAR
DIE
PERFORMANCE
FUER DIE
MULTILABEL-GENRE-VORHERSAGE
VON
ANIME-TITELN
MIT DEM
JACCARD-KOEFFIZIENTEN
MESSEN
198
ANHANG
C:
ARCHETYPEN
VC
EINE
EINFACHE
FEINTUNING-SCHLEIFE
200
ALLGEMEINE
TIPPS
ZUM
FEINTUNING
VON
OPEN-SOURCE-LLMS
ZUSAMMENFASSUNG
DER
ERGEBNISSE
201
209
INDEX
BEISPIEL:
LATEX-GENERIERUNG
MIT GPT-2
211
PROMPT
ENGINEERING
FUER
OPEN-SOURCE
-MODELLE
212
ZUSAMMENFASSUNG
DER
ERGEBNISSE
214
SAWYER:
SINANS
VERSUCH,
KLUGE
UND
DENNOCH
FESSELNDE
ANTWORTEN
ZU
GEBEN
215
SCHRITT
1:
UEBERWACHTES
FEINTUNING
MIT
ANWEISUNGEN
217
SCHRITT 2:
TRAINING
DES
BELOHNUNGSMODELLS
219
SCHRITT 3:
REINFORCEMENT
LEARNING
MIT
(GESCHAETZTER)
MENSCHLICHER
RUECKKOPPLUNG
223
ZUSAMMENFASSUNG
DER ERGEBNISSE
224
DIE SICH
STAENDIG
VERAENDERNDE
WELT
DES
FEINTUNINGS
228
ZUSAMMENFASSUNG
229
10
I
INHALT
9
LLMS IN DIE PRODUKTION
UEBERFUEHREN
231
CLOSED-SOURCE-LLMS
IN DER
PRODUKTION BEREITSTELLEN
231
KOSTENPROGNOSEN
231
API-SCHLUESSELVERWALTUNG
232
OPEN-SOURCE-LLMS
IN DER PRODUKTION
BEREITSTELLEN
232
EIN
MODELL FUER INFERENZ
VORBEREITEN
232
INTEROPERABILITAET
233
QUANTISIERUNG
234
BESCHNEIDEN
234
WISSENSDESTILLATION
234
FALLSTUDIE:
UNSERE
ANIME-GENRE-VORHERSAGE
DESTILLIEREN
236
KOSTENPROGNOSEN MIT
LLMS
243
DIE PLATTFORM
HUGGING FACE
243
ZUSAMMENFASSUNG
247
IHRE BEITRAEGE
SIND WICHTIG
248
WEITERMACHEN!
248
TEIL IV: ANHAENGE
249
ANHANG A: LLM-FAQS
251
ANHANG B: LLM-GLOSSAR
257
ANHANG C: ARCHETYPEN
VON LLM-ANWENDUNGEN
263
INDEX
267
169
171
171
172
175
176
179
182
183
184
186
189
189
191
192
195
196
197
198
198
200
201
209
211
212
214
215
217
219
223
224
228
229
INHALT
1
11 |
| adam_txt | |
| any_adam_object | 1 |
| any_adam_object_boolean | |
| author | Ozdemir, Sinan |
| author2 | Langenau, Frank |
| author2_role | trl |
| author2_variant | f l fl |
| author_GND | (DE-588)1153501937 (DE-588)123178002 |
| author_facet | Ozdemir, Sinan Langenau, Frank |
| author_role | aut |
| author_sort | Ozdemir, Sinan |
| author_variant | s o so |
| building | Verbundindex |
| bvnumber | BV049621920 |
| classification_rvk | ST 306 |
| ctrlnum | (OCoLC)1437883958 (DE-599)DNB1317616235 |
| discipline | Informatik |
| edition | 1. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV049621920</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20241106</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">240320s2024 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">24,N06</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1317616235</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960092407</subfield><subfield code="c">Broschur : circa EUR 39.90 (DE), circa EUR 41.10 (AT)</subfield><subfield code="9">978-3-96009-240-7</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3960092407</subfield><subfield code="9">3-96009-240-7</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783960092407</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1437883958</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1317616235</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1102</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-634</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-1052</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 306</subfield><subfield code="0">(DE-625)143654:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Ozdemir, Sinan</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1153501937</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Quick start guide to large language models</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Praxiseinstieg Large Language Models</subfield><subfield code="b">Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs</subfield><subfield code="c">Sinan Ozdemir ; deutsche Übersetzung von Frank Langenau</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="b">O'Reilly</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt.verlag GmbH</subfield><subfield code="c">2024</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">271 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Aus dem Imprint: "German language edition published by dpunkt.verlag GmbH. - Dieses Buch erscheint in Kooperation mit O'Reilly Media Inc. unter dem Imprint O'Reilly"</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">ChatGPT</subfield><subfield code="0">(DE-588)1285065492</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Prompt Engineering</subfield><subfield code="0">(DE-588)1322633797</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Großes Sprachmodell</subfield><subfield code="0">(DE-588)1322631905</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">NLP</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Natural Language Processing</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Q&A</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Question Answering</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Prompt Engineering</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">LangChain</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Attention</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">OpenAI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Transfer Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Transformer</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">GPT-4</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">BERT</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">T5</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Bard</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">EleutherAI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Cohere</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">BART</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">LLaMa</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Embeddings</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Prompt Engineering</subfield><subfield code="0">(DE-588)1322633797</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Großes Sprachmodell</subfield><subfield code="0">(DE-588)1322631905</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">ChatGPT</subfield><subfield code="0">(DE-588)1285065492</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Langenau, Frank</subfield><subfield code="0">(DE-588)123178002</subfield><subfield code="4">trl</subfield></datafield><datafield tag="775" ind1="0" ind2="8"><subfield code="i">Parallele Sprachausgabe</subfield><subfield code="z">9780138199197</subfield><subfield code="z">9780135346563</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96010-853-5</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-96010-854-2</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung Bibliothek HTW Berlin</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034965954&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">vlb</subfield><subfield code="d">20240130</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#vlb</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034965954</subfield></datafield></record></collection> |
| id | DE-604.BV049621920 |
| illustrated | Illustrated |
| index_date | 2024-07-03T23:37:14Z |
| indexdate | 2024-12-03T04:09:30Z |
| institution | BVB |
| isbn | 9783960092407 3960092407 |
| language | German English |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034965954 |
| oclc_num | 1437883958 |
| open_access_boolean | |
| owner | DE-1102 DE-355 DE-BY-UBR DE-B768 DE-706 DE-862 DE-BY-FWS DE-29T DE-523 DE-634 DE-11 DE-Aug4 DE-858 DE-1052 |
| owner_facet | DE-1102 DE-355 DE-BY-UBR DE-B768 DE-706 DE-862 DE-BY-FWS DE-29T DE-523 DE-634 DE-11 DE-Aug4 DE-858 DE-1052 |
| physical | 271 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| publishDate | 2024 |
| publishDateSearch | 2024 |
| publishDateSort | 2024 |
| publisher | O'Reilly dpunkt.verlag GmbH |
| record_format | marc |
| series2 | Animals |
| spellingShingle | Ozdemir, Sinan Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs Künstliche Intelligenz (DE-588)4033447-8 gnd ChatGPT (DE-588)1285065492 gnd Prompt Engineering (DE-588)1322633797 gnd Großes Sprachmodell (DE-588)1322631905 gnd |
| subject_GND | (DE-588)4033447-8 (DE-588)1285065492 (DE-588)1322633797 (DE-588)1322631905 |
| title | Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs |
| title_alt | Quick start guide to large language models |
| title_auth | Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs |
| title_exact_search | Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs |
| title_exact_search_txtP | Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs |
| title_full | Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs Sinan Ozdemir ; deutsche Übersetzung von Frank Langenau |
| title_fullStr | Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs Sinan Ozdemir ; deutsche Übersetzung von Frank Langenau |
| title_full_unstemmed | Praxiseinstieg Large Language Models Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs Sinan Ozdemir ; deutsche Übersetzung von Frank Langenau |
| title_short | Praxiseinstieg Large Language Models |
| title_sort | praxiseinstieg large language models strategien und best practices fur den einsatz von chatgpt und anderen llms |
| title_sub | Strategien und Best Practices für den Einsatz von ChatGPT und anderen LLMs |
| topic | Künstliche Intelligenz (DE-588)4033447-8 gnd ChatGPT (DE-588)1285065492 gnd Prompt Engineering (DE-588)1322633797 gnd Großes Sprachmodell (DE-588)1322631905 gnd |
| topic_facet | Künstliche Intelligenz ChatGPT Prompt Engineering Großes Sprachmodell |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034965954&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT ozdemirsinan quickstartguidetolargelanguagemodels AT langenaufrank quickstartguidetolargelanguagemodels AT ozdemirsinan praxiseinstieglargelanguagemodelsstrategienundbestpracticesfurdeneinsatzvonchatgptundanderenllms AT langenaufrank praxiseinstieglargelanguagemodelsstrategienundbestpracticesfurdeneinsatzvonchatgptundanderenllms |
Inhaltsverzeichnis
THWS Schweinfurt Zentralbibliothek Lesesaal
| Signatur: |
2000 ST 306 O29 |
|---|---|
| Exemplar 1 | ausleihbar Verfügbar Bestellen |