Wir machen uns einen Eindruck von der Leistungsfähigkeit von Hugging Face, der bevorzugten KI-Plattform für Developer und Data Scientists. Wir erkunden vortrainierte Modelle, greifen auf Datensätze zu und richten Workflows ein, um KI-gestützte Lösungen zu nutzen.

Einführung in Hugging Face

Warum mit Hugging Face arbeiten?

Modelle im Hub erkunden

Modelle von Hugging Face ausführen

Eine Pipeline zur Textgenerierung aufbauen

Inferenzdienste

Datensätze in Hugging Face

Datensätze im Hub erkunden

Datensätze laden

Datensätze bearbeiten

Erste Schritte mit Hugging Face

In diesem Kapitel bauen wir mit Hugging Face KI-Pipelines auf. Wir widmen uns der Textklassifikation, fassen Inhalte zusammen und gewinnen Erkenntnisse aus Dokumenten. So bist du schon bald fit für die realen Herausforderungen, die dir branchenübergreifend im KI-Berufsalltag begegnen.

Textklassifikation

Grammatikalische Korrektheit

Question Natural Language Inference

Dynamische Kategorisierung

Textzusammenfassung

Lange Texte zusammenfassen

Länge der Zusammenfassung anpassen

AutoModels and Tokenizer

Optionen

Pipelines

Autoklassen

Wann AutoModels und AutoTokenizer verwenden?

Text mit AutoTokenizer tokenisieren

Autoklassen verwenden

Document Q&A

Zusammenfassung

Fragenbeantwortung

Welche Aufgabe passt zu diesem Szenario?

Text mit PyPDF extrahieren

Eine Q&A-Pipeline erstellen

Glückwunsch!

Pipelines mit Hugging Face aufbauen

english.arrow

imdb_train.arrow

imdb_test.arrow

common_language.arrow

Bei Hugging Face handelt es sich um eine zentrale Online-Plattform, die Funktionen für Machine Learning und KI zur Verfügung stellt. In diesem Kurs machst du dich mit dem Hugging Face Hub vertraut, um geeignete Modelle und Datensätze für deine Aufgaben zu finden. Du verwendest die API von Hugging Face, um das Modell-Repository nach Task, Autor oder Beliebtheit zu durchsuchen. Mit Pipelines, einem grundlegenden Baustein von Hugging Face, erledigst du eine Vielzahl von KI-Aufgaben mit einer einfachen, intuitiven Syntax. Du lernst, Texte in Kategorien einzuordnen, prägnante und genaue Zusammenfassungen zu erstellen und sogar mit Dokumenten zu „sprechen“.

Die Live-Transkripte der Videos kannst du durch einen Klick auf „Mitschrift anzeigen“ unten links in den Videos aufrufen.
Das Kursglossar findest du rechts im Bereich „Resources“.
Um CPE-Credits zu erhalten, musst du den Kurs abschließen und im Assessment 70 % erreichen. Zum Assessment gelangst du, indem du rechts auf die Angabe zu den CPE-Credits klickst.

<h2>Baue KI mit Hugging Face</h2>In der sich schnell entwickelnden Landschaft des maschinellen Lernens (ML) und der künstlichen Intelligenz (KI) ist Hugging Face eine unverzichtbare Plattform, die es jedem ermöglicht, die neuesten Modelle, Datensätze und Funktionen für seine Projekte zu nutzen.<br><br><h2>Entdecke den Hugging Face Hub</h2>Zu Beginn navigierst du durch den riesigen Modell- und Datensatzspeicher des Hugging Face Hub. Du wirst Modelle aus Hugging Face laden, verwenden und speichern und Datensätze für das Modelltraining herunterladen und bearbeiten.<br><br><h2>Pipelines für Textanwendungen erstellen</h2>Nutze die in Hugging Face verfügbaren vortrainierten Modelle für Textklassifizierungsaufgaben wie grammatikalische Korrektheit und dynamische Kategoriezuweisung; fasse lange Textpassagen mit extraktiven und abstrakten Zusammenfassungsmodellen zusammen und beginne sogar, mit Dokumenten zu sprechen!<br><br>Am Ende des Kurses wirst du mit dem Wissen und den Fähigkeiten ausgestattet sein, um eine breite Palette textbasierter ML- und KI-Aufgaben mit Hugging Face effektiv zu lösen.

Introduction to Functions in Python

Nutzen Sie das umfangreiche Modell- und Daten-Repository auf dem Hugging Face Hub.

Arbeiten mit Hugging Face

Navigiere und nutze den umfangreichen Bestand an Modellen und Datensätzen im Hugging Face Hub.

Associate AI Engineer für Datenwissenschaftler

Associate AI Engineer für Entwickler

Entwicklung von KI-Anwendungen

Grundlagen von Hugging Face

Ich brauche eine schnelle Lösung, um Kundenrezensionen als positiv oder negativ einzustufen.

Bei der Aufgabe handelt es sich um eine einfache Textzusammenfassung von Nachrichtenartikeln.

Ich möchte schnell mehrere Modelle für Textgenerierungsaufgaben vergleichen.

Unser Kundenservice-Modell soll die Kategorie „Dringend“ häufiger priorisieren.

Die Aufgabe erfordert das Tokenisieren von Finanzberichten und das Hinzufügen benutzerdefinierter Tokens für Begriffe wie „EBITDA“ oder „ROI“.

Wann AutoModels und AutoTokenizer verwenden?

Interaktive praktische Übung