Cursus Large Language Models (studietaal Engels)
De opleiding start 3 april 2025
Ben jij een professional in softwareontwikkeling, Bachelor- of Master-Alumni of docent/onderzoeker en wil je jouw kennis van AI en Large Language Models (LLMs) naar een hoger niveau tillen? Deze cursus biedt een diepgaande, praktijkgerichte introductie in de wereld van LLMs en Deep Learning.
In het kort
Over de cursus LLM
De komst van Artificial Intelligence (AI) zorgt ervoor dat bedrijven anders (moeten) gaan werken. Vooral de Large Language Models (LLM’s) hebben AI heel toegankelijk gemaakt. Maar wat kun je nu wel en misschien belangrijker: wat niet? We starten met een introductie in de fundamenten van LLMs en gaan dan aan de slag met de implementatie. Om deze reden is ruime voorkennis in programmeren, bij voorkeur in Python, van belang.
Na de 7-daagse cursus LLM heb je kennis opgedaan over de mogelijkheden en beperkingen van het toepassen van LLMs en heb jij een eigen Retrieval Augmented Generation (RAG)-systeem gebouwd om met je documenten te kunnen“chatten” via een LLM. Deze cursus sluit aan op de bestaande cursus AI en vraagt aanvullende programmeerervaring.
Programma cursus LLM
Tijdens de 7-daagse cursus brengen we de theorie en praktijk samen. Jij leert hierin een werkende RAG-applicatie te bouwen.
Week 1: introductie in Deep Learning en Natural Language Processing
Je leert over vragen als: hoe werkt deep learning? Hoe leert een computer omgaan met taal? Wat zijn Embeddings?
Week 2: Transformers en Transfer Learning
De Transformers-architectuur ligt ten grondslag aan de doorbraak van LLM’s. We gaan leren hoe deze modellen zijn opgebouwd en hoe we de kennis van getrainde modellen kunnen benutten voor nieuwe taken.
Week 3: Prompting, API Calls en Dockerization
We leren prompts maken, hoe we een model in een Docker-omgeving kunnen opstarten en toegankelijk kunnen maken voor andere programma’s via een API.
Week 4: Preprocessing, Vectordatabases en Semantic Search
We gaan aan de slag met de basisingrediënten voor een RAG: het chatten met je eigen documenten. Ook komt het preprocessen van documenten, het opslaan van documenten in een vectordatabase en hoe deze gebruikt kunnen worden voor RAG aan bod.
Week 5: Retrieval Augmented Generation, Auto Encoders en JEPA
We onderzoeken de verschillende manieren om met Embeddings te werken: naast RAG komen Auto Encoders (o.a. voor anomaly detection) en de ontwikkelingen van de JEPA-architectuur ook aan bod.
Week 6: Automated Knowledge Graphs
In aanvulling op de RAG leren we werken met geautomatiseerde knowledge graphs.
Week 7: User Interfaces
We willen uiteindelijk een interface hebben waar de gebruiker mee aan de slag kan. In de laatste les gaan we alles aan elkaar knopen: de preprocessing, het RAG-model, de API en de interface voor de gebruiker.
Verdere informatie
Maak kennis met de docent
Raoul Grouls is docent-onderzoeker bij het lectoraat AI & Data Science bij de HAN en studeerde aan de Universiteit Utrecht af in Artificial Intelligence. Eerder werkte hij als Senior Data Scientist bij meerdere organisaties als Business & Decision en bij internationaal adviesbureau Eraneos.
Contact
Heb je vragen over deze cursus? Wij helpen je graag.
- Cursuscoördinator Judith Oostenrijk: doorleren.aim@han.nl, tel: 06 - 22847085
- Algemene vragen: ASK HAN: 024 - 353 0500
- Je kunt ons bereiken op werkdagen van 9.00 - 17.00 uur
