Wir befinden uns im dritten goldenen Zeitalter der KI. In den beiden vorherigen goldenen Zeitaltern (1950er–1960er und 1980er Jahre) gab es aufgrund technischer Grenzen Enttäuschungen. Die heutige KI-Technologie übertrifft jedoch die Erwartungen. Insbesondere der 2017 eingeführte Transformer begann als Modell für maschinelle Übersetzung, beeinflusst heute aber nahezu alle Bereiche. Er gilt als unverzichtbares Wissen für moderne Ingenieure. Das erste Ziel dieses Dokuments ist es, Ingenieuren den kürzesten Weg zum Verständnis von Transformern zu bieten.
Was dieses Dokument bietet
- Kompakter Leitfaden: Bietet genügend Informationen, um Transformer zu lernen.
- Praktisch ausführbare Python-Codebeispiele: Unterstützt das Verständnis mit Python-Codebeispielen, die Leser selbst ausführen können.
- Referenzmaterial für weiterführende Erkundung: Stellt verschiedene Dokumentationsoptionen vor, damit Leser leichter darauf zugreifen können.
Inhaltsverzeichnis
- Teil 1: Neuronale Netze: Führt in die Grundkonzepte neuronaler Netze ein.
- Teil 2: Rekurrente neuronale Netze (RNNs): Behandelt RNNs einschließlich LSTM und GRU.
- Teil 3: Natural Language Processing (NLP) und Attention-Mechanismen: Vermittelt die Grundprinzipien von NLP, einschließlich maschineller Übersetzung und Attention-Mechanismen.
- Teil 4: Transformer: Erklärt das Transformer-Modell.
- Anhang: Grundlagenwissen: Bietet das minimale Wissen in Python und Mathematik, das zum Verständnis von Transformern erforderlich ist.
FAQ
- Wer darf dieses Dokument frei verwenden?
- Lehrkräfte oder Studierende, die einer Bildungseinrichtung angehören, dürfen dieses Dokument und die Abbildungen frei verwenden. Sie können dieses Dokument und die Abbildungen in nichtkommerziellen Konferenzen und Vorlesungen verwenden, müssen dabei jedoch den Link zu dieser Website und den Urheberrechtsvermerk angeben. Andernfalls bitte Kontakt aufnehmen.
- Kann es für kommerzielle Inhalte verwendet werden?
- Umsatzbeteiligung: Nach Abschluss einer Umsatzbeteiligungsvereinbarung kann dieser Inhalt verwendet werden. Gemäß dieser Vereinbarung müssen 20 % der durch die Nutzung dieses Inhalts erzielten Verkäufe geteilt werden.
- Komplettkauf: In sehr seltenen Fällen werden Anfragen zum vollständigen Erwerb der Rechte am gesamten Inhalt geprüft. Die Kosten für den Komplettkauf betragen €10,000,000.
- Warum verzichtet der Autor nicht auf das Urheberrecht an diesem Dokument oder verwendet keine Creative-Commons-Lizenz?
- Bitte fragen Sie nach, wenn Sie ein Problem damit haben, dass das Urheberrecht beibehalten wird. Beim Senden einer E-Mail müssen mindestens zwei SNS-Adressen (z. B. LinkedIn, Twitter) angegeben werden. Seit dem XZ-Backdoor-Vorfall werden keine anonymen Kontaktaufnahmen mehr akzeptiert.
Ausnahmen
Bildungseinrichtungen dürfen dieses Dokument frei verwenden.
Zusammenfassung von GN⁺
- Dieses Dokument ist ein kompakter Leitfaden, der das Grundlagenwissen vermittelt, das zum Verständnis des Transformer-Modells erforderlich ist.
- Es zeichnet sich dadurch aus, dass es Lesern durch praktisch ausführbare Python-Codebeispiele und verschiedene Referenzmaterialien beim selbstständigen Lernen hilft.
- Das Transformer-Modell ist ein Kernbestandteil moderner KI-Technologie, und sein Verständnis ist für Ingenieure von großer Bedeutung.
- Dieses Dokument kann von Bildungseinrichtungen frei verwendet werden; für eine kommerzielle Nutzung ist die Genehmigung des Urheberrechtsinhabers erforderlich.
- Es ist eine nützliche Ressource für alle, die weitere mit Transformern verbundene Technologien oder Projekte erkunden möchten.
Noch keine Kommentare.