Description
Ihr Guide für eigene RAG-Anwendung!
Freuen Sie sich auf einen umfassenden Einstieg in die Welt der Generativen KI mit Python. Dieses Buch deckt Schlüsselkonzepte wie Large Language Models (LLMs), LangChain, Vektordatenbanken, das Model Context Protocol (MCP) und Retrieval-Augmented-Generation (RAG) ab. Sie lernen die Grundlagen des Prompt Engineering kennen, steigen ins Agentic Coding ein und erfahren, wie Sie Agentensysteme entwickeln und deployen.
Mit praxisnahen Beispielen und klaren Erklärungen tauchen Sie tief in die Materie ein - ideal für alle, die Generative KI-Lösungen mit Python umsetzen wollen.
- Agentic Coding: Mit KI-Agenten eigenständig Code schreiben, testen und deployen
- RAG-Anwendungen und Vektordatenbanken für wissensbasierte LLM-Anwendungen
- MCP, Prompt Engineering, Agentensysteme u.v.m.
Aus dem Inhalt:
- Große Sprachmodelle - LLMs und LMMs
- Prompt Engineering
- Sprachanalyse (NLP)
- Vektordatenbanken
- LangChain und LangGraph
- Hugging Face
- CrewAI
- OpenAI- und andere APIs
- Agentensysteme
- Model Context Protocol (MCP)
- Agentic Coding
- Deployment
Materialien zum Buch ... 15
1. Vorwort ... 17
1.1 ... Zielsetzung des Buches ... 18
1.2 ... Zielgruppe ... 19
1.3 ... Was Sie schon wissen sollten ... 20
1.4 ... Struktur des Buches ... 20
1.5 ... Wie man dieses Buch effektiv nutzt ... 24
1.6 ... Systemeinrichtung ... 25
1.7 ... Danksagung ... 32
1.8 ... Konventionen in diesem Buch ... 33
2. Einführung in die generative KI ... 35
2.1 ... Einführung in die künstliche Intelligenz ... 38
2.2 ... Die Säulen des Fortschritts in der generativen KI ... 42
2.3 ... Deep Learning ... 46
2.4 ... Schwache und allgemeine KI ... 48
2.5 ... Natural Language Processing (NLP) ... 51
2.6 ... Large Language Models (LLMs) ... 56
2.7 ... Use-Cases ... 59
2.8 ... Die Grenzen von LLMs ... 61
2.9 ... Large Multimodal Models (LMMs) ... 62
2.10 ... Generative KI-Anwendungen ... 64
2.11 ... Zusammenfassung ... 66
3. Vortrainierte Modelle ... 69
3.1 ... Was sind vortrainierte Modelle? ... 71
3.2 ... Hugging Face ... 71
3.3 ... Modellauswahl ... 72
3.4 ... Coding: Textzusammenfassung ... 73
3.5 ... Übung: Übersetzung ... 75
3.6 ... Coding: Zero-Shot-Klassifikation ... 77
3.7 ... Coding: Füllmaske ... 80
3.8 ... Coding: Frage-Antwort-Modelle ... 81
3.9 ... Coding: Erkennung benannter Entitäten (Named Entity Recognition) ... 83
3.10 ... Coding: Text-zu-Bild ... 85
3.11 ... Übung: Text-zu-Audio ... 87
3.12 ... Abschlussprojekt: Kunden-Feedback analysieren ... 88
3.13 ... Zusammenfassung ... 91
4. Large Language Models ... 93
4.1 ... Eine kurze Geschichte der Sprachmodelle ... 94
4.2 ... LLMs mithilfe von Python nutzen ... 95
4.3 ... Modellparameter ... 109
4.4 ... Modellauswahl ... 113
4.5 ... Messages ... 116
4.6 ... Prompt Templates ... 117
4.7 ... Chains ... 122
4.8 ... LLM-Schutz und -Sicherheit ... 135
4.9 ... Modellverbesserungen ... 143
4.10 ... Neue Trends ... 144
4.11 ... Zusammenfassung ... 151
5. Prompt Engineering ... 153
5.1 ... Prompting -- die Grundlagen ... Bert Gollnick ist Senior Data Scientist mit Schwerpunkt auf künstlicher Intelligenz. Er unterrichtet Kurse zu Data Science und Machine Learning inklusive generativer KI und natürlicher Sprachverarbeitung. Bert hat an der Technischen Universität Berlin Luft- und Raumfahrttechnik und an der Universität Hagen Volkswirtschaftslehre studiert. Nach 17 Jahren in der Industrie fokussiert er sich nun auf seine Schulungsfirma, um Teilnehmern künstliche Intelligenz näherzubringen.Er lebt und arbeitet in Hamburg und bietet Präsenzkurse im deutschsprachigen Raum sowie Online-Kurse auch für ein internationales Publikum an.
