Verfolgen Sie Attention von den Grundbausteinen bis zu einem spezialisierten Prognosemodell.
Dieser technische Lernpfad führt von den Transformer-Grundlagen und einer nachvollziehbaren Implementierung im Tabellenformat über Attention-Varianten bis zur Zeitreihenarchitektur Informer. Sie setzen Architekturentscheidungen mit Sequenzstruktur, Rechenaufwand und Prognoseannahmen in Beziehung und entwerfen eine Evaluation ohne zeitliche Datenlecks.
Erklären, wie Attention Beziehungen zwischen Positionen einer Sequenz abbildet. Einen herkömmlichen Transformer mit einer Attention-Variante und einer Zeitreihenarchitektur vergleichen. Eine chronologische Prognoseevaluation mit Baselines und Prüfungen auf Datenlecks entwerfen.
Vorkenntnisse zu neuronalen Netzen, Vektoren und überwachtem Lernen sind empfehlenswert. Erfahrung mit einfachen Modelldiagrammen oder Pseudocode ist hilfreich; bestimmte Software ist nicht erforderlich.
Erfahrene Lernende, die fortgeschrittene KI-Kenntnisse vertiefen und anwenden möchten
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
4 lektionen · Fortgeschritten · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.