) in maschineller Lernarbeit sind gleich.

Codieren, auf Ergebnisse warten, sie interpretieren, wieder zum Codieren zurückkehren. Außerdem einige Zwischenpräsentationen der eigenen Fortschritte vor dem Administration*. Dass die Dinge größtenteils gleich sind, bedeutet jedoch nicht, dass es nichts zu lernen gibt. Ganz im Gegenteil! Vor zwei bis drei Jahren begann ich, täglich die Lektionen aufzuschreiben, die ich aus meiner ML-Arbeit gelernt habe. Dennoch hinterlässt mir bis heute jeder Monat eine Handvoll kleiner Lektionen. Hier sind drei Lektionen aus dem letzten Monat.

Mit Menschen in Kontakt treten (kein ML beteiligt)

Wenn die Weihnachtsferienzeit näher rückt, beginnen die Versammlungen zum Jahresende. Oftmals bestehen diese Zusammenkünfte aus informellen Gesprächen. Es wird nicht viel „Arbeit“ erledigt – was natürlich ist, da es sich dabei häufig um After-Work-Occasions handelt. Normalerweise überspringe ich solche Veranstaltungen. Für die Weihnachtszeit habe ich das jedoch nicht getan. Ich habe in den letzten Wochen an einigen After-Work-Treffen teilgenommen und einfach nur geredet – nichts Dringendes, nichts Tiefgründiges. Das gesellige Beisammensein warfare intestine und ich hatte viel Spaß.

Es hat mich daran erinnert, dass unsere Arbeitsprojekte nicht nur auf Code und Pc basieren. Sie werden mit dem Treibstoff betrieben, über einen langen Zeitraum mit anderen zusammenzuarbeiten. Hier können kleine Momente – ein Witz, eine kurze Geschichte, eine gemeinsame Beschwerde über fehlerhafte GPUs – den Motor wieder aufleben lassen und die Zusammenarbeit reibungsloser gestalten, wenn es später einmal angespannt wird.

Denken Sie mal aus einer anderen Perspektive darüber nach: Ihre Kollegen müssen noch viele Jahre mit Ihnen zusammenleben. Und du mit ihnen. Wenn das ein „Lager“ wäre – nein, nein, nicht intestine. Aber wenn das ein „Gemeinsam“ ist – ja, auf jeden Fall intestine.

Wenn additionally die Einladungen zu einem Treffen Ihres Unternehmens oder Forschungsinstituts in Ihrem Postfach landen: Melden Sie sich an.

Copilot hat mich nicht unbedingt schneller gemacht

Im vergangenen Monat habe ich ein neues Projekt aufgesetzt und eine Liste von Algorithmen an ein neues Downside angepasst.

Eines Tages, als ich gedankenlos Zeit im Web verschwendete, stieß ich auf eine MIT-Studie**, die darauf hinwies, dass (starke) KI-Unterstützung – insbesondere vor Wenn Sie die Arbeit erledigen, kann dies die Erinnerung erheblich beeinträchtigen, das Engagement verringern und die Identifikation schwächen mit das Ergebnis. Zugegebenermaßen wurde in der Studie das Schreiben von Essays als Testziel verwendet, aber das Codieren eines Algorithmus ist eine ähnlich kreative Aufgabe.

Additionally habe ich etwas Einfaches versucht: Ich habe Copilot in VS Code vollständig deaktiviert.

Nach einigen Wochen waren meine (subjektiven und selbst eingeschätzten, additionally stark voreingenommenen) Ergebnisse: kein spürbarer Unterschied für meine Kernaufgaben.

Das Schreiben von Trainingsschleifen, die Lader, die Trainingsanatomie – ich kenne sie intestine. In diesen Fällen führten KI-Vorschläge nicht zu mehr Geschwindigkeit; manchmal fügten sie sogar Reibung hinzu. Denken Sie einfach darüber nach Korrektur der KI-Ausgaben, die vorhanden sind quick richtig.

Diese Erkenntnis steht ein wenig im Gegensatz zu dem, was ich vor ein oder zwei Monaten empfunden habe, als ich den Eindruck hatte, dass Copilot mich effizienter gemacht hat.

Als ich über die Unterschiede zwischen den beiden Momenten nachdachte, kam ich zu dem Schluss, dass es einen Effekt gibt domänenabhängig. Wenn ich mich in einem neuen Bereich befinde (z. B. Ladeplanung), hilft mir die Unterstützung dabei, schneller vor Ort zu sein. In meinen Heimatdomänen sind die Vorteile marginal – und können mit versteckten Nachteilen einhergehen, die man erst nach Jahren bemerkt.

Meine aktuelle Meinung zu den KI-Assistenten (die ich nur zum Codieren über Copilot verwendet habe): Sie sind intestine Rampe hoch auf unbekanntes Terrain. Bei Kernaufgaben, die den Großteil Ihres Gehalts ausmachen, ist dies bestenfalls elective.

Somit kann ich für die Zukunft weitere empfehlen

• Schreiben Sie den ersten Durchgang selbst; Verwenden Sie KI nur zum Polieren (Benennung, kleine Refaktoren, Exams).
• Überprüfen Sie ehrlich die erklärten Vorteile von KI: 5 Tage mit ausgeschalteter KI, 5 Tage mit eingeschalteter KI. Verfolgen Sie zwischen ihnen: erledigte Aufgaben, gefundene Fehler, Zeit bis zum Abschluss, wie intestine Sie sich erinnern können, und erklären Sie den Code einen Tag später.
• Per Fingertipp umschalten: Binden Sie einen Hotkey, um Vorschläge zu aktivieren/deaktivieren. Wenn Sie jede Minute danach greifen, verwenden Sie es wahrscheinlich zu häufig.

Sorgfältig kalibrierter Pragmatismus

Als ML-Leute können wir über Particulars nachdenken. Ein Beispiel ist, welche Lernrate für das Coaching verwendet werden soll. Oder verwenden Sie eine feste Lernrate, anstatt sie in festen Schritten abzubauen. Oder ob eine Cosinus-Annealing-Strategie verwendet werden soll.

Sie sehen, selbst für den einfachen LR-Fall kann man sich schnell viele Optionen einfallen lassen; was sollen wir wählen? Ich habe mich kürzlich bei einer Model davon im Kreis gedreht.

In diesen Momenten hat es mir geholfen, herauszuzoomen: Was bedeutet das Endbenutzer kümmert es dich? Meistens sind es Latenz, Genauigkeit, Stabilität und oft in erster Linie die Kosten. Es ist ihnen egal, welchen LR-Zeitplan Sie gewählt haben – es sei denn, er betrifft diese vier. Das deutet auf einen langweiligen, aber nützlichen Ansatz hin: Wählen Sie die einfachste praktikable Choice und bleiben Sie dabei.

Einige Standardeinstellungen decken die meisten Fälle ab. Baseline-Optimierer. Vanilla LR mit einem Meilenstein des Verfalls. Eine einfache Regel zum frühen Stoppen. Wenn die Kennzahlen schlecht sind, gehen Sie zu ausgefalleneren Entscheidungen über. Wenn sie intestine sind, machen Sie weiter. Aber werfen Sie nicht alles auf einmal auf das Downside.

---

* Es scheint, dass selbst bei Deepmind, dem wahrscheinlich erfolgreichsten reinen Forschungsinstitut (zumindest früher), Forscher müssen das Administration zufriedenstellen

** Die Studie ist verfügbar oder arXiv unter: https://arxiv.org/abs/2506.08872

Im maschinellen Lernen sind gleich.

Codierung, Warten auf Ergebnisse, Interpretation, Rückkehr zur Codierung. Außerdem einige Zwischenpräsentationen des eigenen Fortschritts. Aber die Dinge, die meistens gleich sind, bedeutet nicht, dass es nichts zu lernen gibt. Ganz im Gegenteil! Vor zwei bis drei Jahren begann ich die tägliche Gewohnheit, Lektionen aufzuschreiben, die ich aus meiner ML -Arbeit gelernt habe. Beim Rückblick einige der Lektionen aus diesem Monat fand ich drei praktische Lektionen, die auffallen:

1. Protokollieren Sie weiter einfach
2. Verwenden Sie ein experimentelles Notizbuch
3. Über Nacht rennen im Auge

Protokollieren Sie weiter einfach

Jahrelang habe ich Gewichte und Vorurteile (W & B) als mein Experiment-Logger verwendet. Tatsächlich conflict ich einmal unter den High 5% aller aktiven Benutzer. Die Statistiken in der folgenden Abbildung zeigen mir, dass ich zu diesem Zeitpunkt quick 25000 Modelle trainiert habe, kumulative 5000 Stunden Berechnung verwendet und mehr als 500 Hyperparameter -Suchvorgänge durchgeführt habe. Ich habe es für Papiere, für große Projekte wie Wettervorhersage mit großen Datensätzen und für die Verfolgung unzähliger kleiner Experimente verwendet.

Und W & B ist wirklich ein tolles Werkzeug: Wenn Sie schöne Dashboards wünschen und mit einem Workforce zusammenarbeiten, sind W & B SHINES. Und bis vor kurzem, als ich Daten aus geschulten neuronalen Netzwerken rekonstruierte, leitete ich mehrere Hyperparameter -Sweeps und die Visualisierungsfunktionen von W & B waren von unschätzbarem Wert. Ich könnte Rekonstruktionen direkt über Läufe vergleichen.

Aber ich erkannte, dass W & B für die meisten meiner Forschungsprojekte übertrieben conflict. Ich habe selten individuelle Läufe überprüft, und sobald ein Projekt abgeschlossen conflict, saßen die Protokolle nur da, und ich machte nichts mit ihnen. Als ich das genannte Datenrekonstruktionsprojekt dann neu gestaltete, habe ich die W & B -Integration explizit entfernt. Nicht, weil etwas daran nicht stimmte, sondern weil es nicht notwendig conflict.

Jetzt ist mein Setup viel einfacher. Ich habe gerade ausgewählte Metriken bei CSV- und Textdateien protokolliert und direkt auf die Festplatte geschrieben. Bei Hyperparameter -Suchanfragen verlasse ich mich auf Optuna. Nicht einmal die verteilte Model mit einem zentralen Server – nur lokaler Optuna, speichern Sie Studienzustände in einer Gurkendatei. Wenn etwas abstürzt, lade ich neu und gehe fort. Pragmatisch und ausreichend (für meine Anwendungsfälle).

Der wichtigste Einblick hier ist Folgendes: Protokollierung ist nicht die Arbeit. Es ist ein Unterstützungssystem. Verbringen Sie 99% Ihrer Zeit damit, sich für das zu entscheiden, was Sie protokollieren möchten – Gradienten? Gewichte? Verteilungen? Und mit welcher Frequenz? – kann Sie leicht von der tatsächlichen Forschung ablenken. Für mich sind einfache, lokale Protokollierungsabdeckungen alle Bedürfnisse mit minimaler Einrichtungsanstrengung.

Führen Sie experimentelle Labornotizenbücher

Im Dezember 1939 schrieb William Shockley eine Idee in sein Labor -Notizbuch: Ersetzen Sie Vakuumrohre durch Halbleiter. Ungefähr 20 Jahre später erhielten Shockley und zwei Kollegen in Bell Labs Nobelpreise für die Erfindung des modernen Transistors.

Während die meisten von uns keine nobelwürdigen Einträge in unsere Notizbücher schreiben, können wir trotzdem aus dem Prinzip lernen. Zugegeben, im maschinellen Lernen verfügen unsere Laboraten weder Chemikalien noch Testrohre, wie wir uns alle vorstellen, wenn wir an ein Labor denken. Stattdessen sind unsere Labore oft unsere Laptop; Das gleiche Gerät, mit dem ich diese Zeilen schreibe, hat im Laufe der Jahre unzählige Modelle geschult. Und diese Labors sind von Natur aus portabel, insbesondere wenn wir uns aus der Ferne auf Hochleistungs-Berechnen-Clustern entwickeln. Noch besser ist diese Cluster dank von hochqualifiziertem administrativen Zeug rund um die Uhr-also ist immer Zeit, ein Experiment durchzuführen!

Aber die Frage ist, welches Experiment? Hier stellte mich ein ehemaliger Kollege die Idee vor, ein Labornotiok aufzuspalten, und in letzter Zeit bin ich in einfachster Type zurückgekehrt. Bevor ich langjährige Experimente beginne, schreibe ich auf:

Was ich teste und warum ich es teste.

Dann, wenn ich später – normalerweise am nächsten Morgen – zurückkomme, kann ich sofort sehen, welche Ergebnisse bereit sind und was ich gehofft hatte zu lernen. Es ist einfach, aber es verändert den Workflow. Anstatt nur „erneut zu übertragen“, bis es funktioniert, werden diese speziellen Experimente Teil einer dokumentierten Rückkopplungsschleife. Fehler sind leichter zu interpretieren. Erfolge sind leichter zu replizieren.

Führen Sie Experimente über Nacht durch

Das ist ein kleiner, aber schmerzhafter Unterricht, den ich diesen Monat (wieder) gelernt habe.

An einem Freitagabend entdeckte ich einen Fehler, der meine Experimentergebnisse beeinflussen könnte. Ich habe es gepatcht und die Experimente zur Validierung wieder aufgenommen. Am Samstagmorgen waren die Läufe beendet – aber als ich die Ergebnisse inspizierte, wurde mir klar, dass ich vergessen hatte, eine wichtige Ablation aufzunehmen. Was bedeutete … ein weiterer ganzen Tag des Wartens.

In ML ist über Nacht Zeit kostbar. Für uns Programmierer ist es Ruhe. Für unsere Experimente ist es Arbeit. Wenn wir während des Schlafenes kein Experiment laufen, verschwenden wir freie Rechenzyklen effektiv.

Das bedeutet nicht, dass Sie Experimente nur aus Gründen des Himmels durchführen sollten. Aber wann immer es einen sinnvollen Begin gibt, ist es die perfekte Zeit, sie abends zu starten. Cluster werden oft untergeblieben und Ressourcen sind schneller verfügbar, und vor allem werden Sie Ergebnisse zum Analysieren am nächsten Morgen haben.

Ein einfacher Trick ist, dies absichtlich zu planen. Wie Cal Newport in seinem Buch „Deep Work“ erwähnt, beginnen gute Arbeitstage in der Nacht zuvor. Wenn Sie heute die Aufgaben von morgen kennen, können Sie die richtigen Experimente rechtzeitig einrichten.

---

* Das ist W & B nicht verprügelt (es wäre genauso gewesen mit, z. B. MLFlow), sondern die Benutzer aufzufordern, zu bewerten, was ihre Projektziele sind, und dann die meiste Zeit damit verbringen, diese Ziele mit äußerster Fokus zu verfolgen.

** Fußnote: Nur Zusammenarbeit reicht in meinen Augen nicht aus, um mit solchen gemeinsamen Dashboards zu rechtfertigen. Sie müssen mehr Einblicke aus solchen gemeinsamen Instruments erhalten als die Zeit, die sie aufgebraucht haben.

Veo3 hat die Welt im Sturm erobert und lebensechte Movies mit nur einer Aufforderung erzeugt. Als das neueste AI -Videogenerierungsmodell wurde VEO3 speziell entwickelt, um komplexe Anweisungen zu verstehen und Movies so intestine zu produzieren, dass sie von einem ganzen Produktionsteam gedreht wurden. Alles in Sekundenschnelle.

Was VEO3 unterschiedlich macht, ist seine realistische Bewegung, Beleuchtung und Hintergrundklang. Für mich ist das erstaunlichste Function die Fähigkeit, perfekte Klänge für das Video zu erzeugen. Diese Funktionen schließen die Lücke zwischen professioneller Videogenerierung und KI -Kreativität.

Die Notwendigkeit von Alternativen

Während VEO3 seinen Preis für Qualitäts -KI -Movies in Type eines monatlichen Abonnements sicherlich rechtfertigt, ist die Tatsache, dass es für viele bezahlt wird, eine Abschreckung. Mehr noch für Leute, die es nur versuchen, haben eine einmalige Aufnahme bei der Erstellung eines mit AI-generierten Movies. Um dies hinzuzufügen, ist Veo3 an einigen Stellen noch nicht einmal zugänglich.

Lassen Sie mich als Lösung für beide Probleme in diesem Weblog einige Methoden zeigen, um Movies mit Sound kostenlos zu generieren. Für einen generischeren Liste der AI -Videoerstellungstools, können Sie unsere Liste hier lesen.

Dies ist im Grunde auf zwei Arten möglich:

1. Durch die Verwendung einer kostenlosen Different zu VEO 3 – Video + Audio
2. Durch separates Erzeugen von Movies und Klang und dann zusammen verschmelzen

Methode 1: Verwenden von VEO3 -Alternativen

Während keine der Alternativen zu VEO3 völlig kostenlos ist, bieten sie Freemium -Versionen an. Hier erforsche ich solche Instruments im Element.

Kling ai

Kling AI ist ein leistungsstarkes KI -Modell, das vom Kusihou -AI -Workforce entwickelt wurde, das sich auf die Generierung von Movies aus Texteingabeaufforderungen oder -bildern spezialisiert hat. Wenn Sie sich bei Kling AI anmelden, erhalten Sie 166 Credit und erhalten 60 Credit, wenn Sie sich täglich auf der Plattform anmelden. Für eine einzelne Videogeneration konsumiert es je nach Auswahl 20 bis 40 Credit.

Hier sind die Schritte, um ein Video mit Kling AI zu generieren.

1. Besuchen Sie die Kling ai Webseite.
2. Klicken Sie in der oberen rechten Ecke auf die Schaltfläche „Erstellen“.
3. Klicken Sie auf die Registerkarte „Video“ unter dem Abschnitt KI -Technology hyperlinks.
4. Wählen Sie dann je nach Anforderung „Textual content zu Video“ oder „Picture to Video“ oder „Multi-Factor“. Kling 2.1 ist für Textual content zu Video nicht verfügbar. Für die Bild-zu-Video-Generierung können Sie für das Video „Startframe“ und „Endrahmen“ hinzufügen
5. Geben Sie Ihre Eingabeaufforderung ein. Sie können auch eine damaging Eingabeaufforderung hinzufügen, um unnötige Elemente im Video zu vermeiden.
6. Klicken Sie auf „Generieren“.

Es dauert 1-2 Minuten, um Ihr Video zu generieren

Schauen Sie sich die Movies an, die ich mit Kling AI unten generiert habe:

Für Textual content-zu-Video, Ich habe die Eingabeaufforderung verwendet:

„Ein majestätischer, tierischer Kriegerdrache mit leuchtenden Augen und massiven Flügeln, die durch die Wolken schweben. Der Drache ist gepanzert, strahlende Kraft und alte Stärke, fliegt hoch über Berge unter einem dramatischen Sonnenuntergang.

Ausgabe:

Für Bild zu Video habe ich die Eingabeaufforderung verwendet:

„Ein Drache nähert sich einer Particular person mit dem Kopf. Der Wind bläst den Drachen, die Kleidung der Particular person und die Wasseroberfläche.“

Ausgabe:

Pixverse

Pixverse ist eine KI-angetriebene Plattform zum Generieren von Movies aus Texteingabeaufforderungen oder -bildern. Es bietet eine Reihe von Funktionen für das Erstellen verschiedener Arten von Movies, einschließlich Textual content-zu-Video, Bild-zu-Video-Erweiterung sowie eine Bibliothek mit KI-Effekten. Bei der Anmeldung erhalten Sie 60 Credit und erhalten bei täglicher Anmeldung 30 Credit. Für die einzelne Videogenerierung benötigt es 30 Credit. Sie können additionally täglich 1 Video mit Pixverse erzeugen.

Hier erfahren Sie, wie Sie ein Veo3-ähnliches AI-Video mit Pixverse erzeugen.

1. Besuchen Pixverse Webseite.
2. Klicken Sie auf der Registerkarte „Video generieren“ unter AI Erstellen Sie hyperlinks.
3. Wählen Sie dann „Bild zum Textual content“.
4. Geben Sie Ihre Eingabeaufforderung ein. Sie können auch ein Bild für die Bild-zu-Video-Generierung hochladen.
5. Klicken Sie auf „Erstellen“.

Es dauert 1-2 Minuten, um Ihr Video zu generieren

Eingabeaufforderung, ich habe verwendet:

„Ein majestätischer, tierischer Kriegerdrache mit leuchtenden Augen und massiven Flügeln, die durch die Wolken schweben. Der Drache ist gepanzert, strahlende Kraft und alte Stärke, fliegt hoch über Berge unter einem dramatischen Sonnenuntergang.

Ausgabe:

Methode 2: durch separates Generieren von Movies und Klang und dann zusammen verschmelzen

In dieser Methode generieren wir Sound von einer Plattform und einem Video von einer anderen. Dann nähen wir die beiden zusammen. Die meisten Instruments für Videogenerierung bieten diese Funktion, um Sound mit Video mit richtiger Lippensynchronisierung zu übertreffen.

In diesem Weblog werde ich Hedra für Audiogenerierung und Digen für die Videogenerierung verwenden. Für die Audiogenerierung können Sie auch andere Instruments wie elfLabs, Heygen usw. verwenden. Für die Videogenerierung können Sie Veo2, Luna AI, Runwayml usw. verwenden.

Verwenden Sie Hedra für die Schallgenerierung

Hedra AI ist eine generative Medienplattform, die sich auf das Erstellen von Movies, Bildern und Audioen konzentriert. Sie können auch Movies von Hedra generieren, es ist jedoch nur für bezahlte Benutzer verfügbar. Ich werde nur die Audiogenerierungsfunktion verwenden.

Besuchen Hedra.

1. Klicken Sie auf „Video“.
2. Klicken Sie auf „Audio -Skript“.
3. Klicken Sie auf „Sprache generieren“.
4. Wählen Sie nun Voice und fügen Sie Ihren Sprachtext ein.
5. Klicken Sie auf „Audio generieren“.
6. Warten Sie 30-60 Sekunden, um Ihr Audio zu generieren.
7. Laden Sie es herunter.

Verwenden Sie Digen für die Videogenerierung

Digen AI ist ein modernes webbasiertes Instrument, das KI verwendet, um Standbilder in ansprechende, qualitativ hochwertige Movies mit reibungslosen Animationen und lebensechten Ausdrücken umzuwandeln. Nach der Anmeldung erhalten Sie 300 Credit und 30 Credit für die tägliche Anmeldung. Für eine Videogeneration wird es 30-40 Credit verbrauchen.

Beginnen wir mit der Videogeneration

1. Besuchen Digen.ai
2. Klicken Sie oben rechts auf Erstellen
3. Laden Sie nun Ihr Bild in den Abschnitt „Bild hochladen“ hoch
4. Laden Sie Ihr generiertes Audio unter den Abschnitt „Lip Sync“ hoch. Sie können auch bereits verfügbare Musik auswählen.
5. Schreiben Sie Ihre Eingabeaufforderung für die Videogenerierung.
6. Wählen Sie das neueste Modellgenerierungsmodell. Sie können auch kostenlose definierte Videoeffekte unter „verfügbaren Modellen“ auswählen.
7. Klicken Sie auf „Video generieren“. Es dauert 2-3 Minuten, um Ihr Video zu generieren.

Ausgabe:

Abschluss

Ehrlich gesagt, obwohl Veo3 tremendous beeindruckend ist, ist es nicht die einzige Möglichkeit, coole KI -Movies zu erstellen. Ich weiß, dass es sich ein wenig einschränkend anfühlen kann, wenn solche Instruments nicht kostenlos oder weit verbreitet sind, aber zum Glück gibt es Problemumgehungen. Ich habe selbst ein paar von ihnen ausprobiert (und ein paar Mal durcheinander ), aber sie erledigen die Arbeit. Wenn es Ihnen nichts ausmacht, ein wenig herumzuspielen und die Dinge manuell miteinander zu verschmelzen, können Sie tatsächlich Movies erstellen, die ziemlich erstaunlich aussehen und klingen. Tib diese einen Schuss, du wirst vielleicht überrascht sein, was du am Ende machen!

Als Studentin in Serbien mit einer Leidenschaft für Mathematik und Physik warfare Ana Trišović sich von Informatik und ihren praktischen, Problemlösungsansätzen angezogen. Dann entdeckte sie MIT opencourseware, Teil des MIT Open Studying, und beschloss, 2012 einen Kurs über Datenanalysen mit Python zu studieren – etwas, das ihre Schule nicht anbot.

Diese Erfahrung warfare transformativ, sagt Trišović, der jetzt Forschungswissenschaftler im Futuretech Lab im MIT -Labor für Informatik und künstliche Intelligenz ist.

„Dieser Kurs hat mein Leben verändert“, sagt sie. „Während meiner Karriere habe ich mich als Python-Programmierer betrachtet, und MIT opencourseware hat es möglich. Ich warfare in meiner Heimatstadt auf einem anderen Kontinent und lernte aus Ressourcen von MIT von MIT. Wenn ich über meinen Weg nachdenke, ist es unglaublich.“

Im Laufe der Zeit veranlasste sie Trišovićs Weg, eine Reihe von OpenCourse -Ressourcen zu erkunden. Sie erinnert sich, dass einige der Materialien als nicht einheimischer englischer Sprecher eine Herausforderung waren. Dank der Vielfalt der Kurse und Lernmöglichkeiten für OpenCourseware konnte sie jedoch immer solche finden, die zu ihr passten. Sie ermutigt jeden, der sich der gleichen Herausforderung gegenübersieht, hartnäckig zu sein.

„Wenn der erste Kurs für Sie nicht funktioniert, versuchen Sie es mit einem anderen“, sagt sie. „Es ist das Beste, was ein junger Mensch tun kann.“

In ihrem Heimatland Serbiens erhielt Trišović Bachelor -Abschluss in Informatik und Maschinenbau, bevor sie an der Cambridge College und Cern teilnahm, wo sie zu Arbeiten an der großen Hadron Collider und im Jahr 2018 ihren Doktortitel in Informatik absolvierte.

„Ich magazine es, dass Informatik es mir ermöglicht, in einer Reihe von Feldern einen Einfluss zu haben, aber die Physik bleibt mir am Herzen und ich bin ständig davon inspiriert“, sagt sie.

Mit Futuretech, eine interdisziplinäre Forschungsgruppe, stützt sich auf Informatik, Wirtschaft und Administration, um Computertrends zu identifizieren, die Risiken und Möglichkeiten für nachhaltiges Wirtschaftswachstum schaffen. Dort untersucht Trišović die Demokratisierung der KI, einschließlich der Auswirkungen der Open-Supply-KI und der Auswirkungen auf die Wissenschaft. Ihre Arbeit am MIT ist eine Likelihood, auf der Forschung aufzubauen, die sie seit ihrer Graduiertenschule verfolgt.

„Meine Arbeit konzentriert sich auf die sozialwissenschaftliche Laptop -Sozialwissenschaft. Seit vielen Jahren habe ich mir die sogenannte“ Wissenschaft der Wissenschaft „angesehen – Fragen wie Reproduzierbarkeit der Forschung“, erklärt Trišović. „Jetzt, da die KI zunehmend verbreitet wird und neue Herausforderungen vorstellt, bin ich daran interessiert, eine Reihe von Themen zu untersuchen – von der AI -Demokratisierung bis hin zu ihren Auswirkungen auf die wissenschaftliche Methode und die breitere Landschaft der Wissenschaft.“

Trišović ist dankbar, dass sie bereits im Jahr 2012 die Entscheidung getroffen hat, etwas Neues auszuprobieren und mit einem OpenCourseware -Kurs zu lernen.

„Ich habe mich sofort in Python verliebt, sobald ich diesen Kurs besuchte. Ich habe so ein Schwachplatz für OpenCourseware – es hat meine Karriere geprägt“, sagt sie. „Jeden Tag am MIT ist inspirierend. Ich arbeite mit Menschen zusammen, die aufgeregt sind, über KI und andere faszinierende Themen zu sprechen.“

Einführung

Immediate Engineering ist im Jahr 2024 ein heißes Thema, da die rasante Weiterentwicklung der generativen KI Lernende dazu antreibt, ihre Fähigkeiten in diesem wettbewerbsintensiven Bereich zu verbessern. Die Beherrschung von Immediate Engineering ist wie der Besitz der Schlüssel zu einer leistungsstarken Maschine, die Ideen in die Realität umsetzen kann. Obwohl viele Kurse für Immediate Engineering verfügbar sind, mangelt es ihnen oft an Praxisnähe und guten Anwendungsfällen. Das interaktive Tutorial Immediate Engineering von Anthropic zeichnet sich durch eine kostenlose, praxisnahe Lernerfahrung aus. In diesem Kurs lernen Sie, wie Sie Ihre Interaktionen mit Claude, einem der anspruchsvollsten KI-Modelle (KOSTENLOS)!

Überblick

• Immediate Engineering ist heute eine entscheidende Fähigkeit, um in KI-gesteuerten Bereichen erfolgreich zu sein.
• Das interaktive Immediate Engineering-Tutorial von Anthropic bietet praxisorientiertes Lernen zum Beherrschen von KI-Eingabeaufforderungen.
• Effektives Immediate Engineering verbessert die KI-Ergebnisse, spart Zeit und steigert die Produktivität.
• Der Kurs deckt alles ab, von grundlegenden bis hin zu fortgeschrittenen Immediate-Engineering-Techniken mit Claude.
• Dieser Kurs ist auf verschiedene Branchen zugeschnitten und steht für interaktives Lernen auf Google Sheets zur Verfügung.

Warum sollten Sie an einem Immediate-Ingenieurkurs teilnehmen?

Egal, ob Sie ein angehender Datenwissenschaftler, ein KI-Entwickler oder jemand sind, der KI-Instruments für Unternehmen oder Forschung nutzen möchte: Wenn Sie Immediate Engineering beherrschen, haben Sie das volle Potenzial, KI-Modelle zu erkunden, insbesondere generative Modelle. Wenn Sie zum ersten Mal mit Immediate Engineering in Berührung kommen, fragen Sie sich vielleicht, warum Sie Zeit in das Üben dieser Fähigkeit investieren sollten. Die Antwort ist einfach: Effektive Prompts führen zu besseren KI-Ergebnissen und ermöglichen Ihnen, genauere, relevantere und wirkungsvollere Ergebnisse zu erzielen.

Durch schnelles Engineering können Sie effektiver mit KI-Modellen kommunizieren und diese dazu bringen, Ergebnisse zu produzieren, die genau Ihren Zielen entsprechen. Indem Sie diese Fähigkeit verfeinern, können Sie Zeit sparen, Fehler reduzieren und die Produktivität steigern, egal ob Sie Aufgaben automatisieren, kreative Inhalte erstellen oder Forschung betreiben. Da sich die KI weiterentwickelt, sind diejenigen mit starken, schnellen Engineering-Fähigkeiten besser gerüstet, um die Leistungsfähigkeit dieser Technologien zu nutzen und in einer sich schnell verändernden Landschaft die Nase vorn zu behalten.

Ziele des Anthropologischen Ingenieurstudiengangs

Am Ende dieses Kurses werden Sie nicht nur Immediate Engineering verstehen, sondern darin auch hervorragende Leistungen erbringen. Sie werden lernen:

• Die Struktur von Eingabeaufforderungen beherrschen: Verstehen Sie die Bausteine ​​einer großartigen Eingabeaufforderung.
• Fallstricke erkennen und überwinden: Lernen Sie die 80/20-Techniken, um häufige Eingabeaufforderungsfehler zu beheben.
• Claudes Stärken nutzen: Erfahren Sie, wann Sie Claude für optimale Ergebnisse einsetzen und seine Einschränkungen vermeiden müssen.
• Erstellen effektiver Eingabeaufforderungen für verschiedene Szenarien: Entwickeln Sie Eingabeaufforderungen von Grund auf, die auf Ihre spezifischen Anforderungen zugeschnitten sind.

Claude Mannequin: Claude-3-haiku-20240307

Dies ist nicht nur ein Kurs. Es ist eine Reise in das Herz der KI-Interaktion, die so interaktiv und praxisnah wie möglich gestaltet ist.

Struktur des Anthropologischen Ingenieurstudiums

Hier ist der Kurslink: Struktur des Anthropologischen Ingenieurstudiums

Der Kurs ist in neun Kapitel unterteilt, die jeweils voller Lektionen und Übungen sind, die Ihre Fähigkeiten schrittweise ausbauen. Das erwartet Sie:

1. Anfängerlevel:
   • Kapitel 1: Grundlegende Eingabeaufforderungsstruktur
   • Kapitel 2: Klar und direkt sein
   • Kapitel 3: Rollen zuweisen
2. Mittelstufe:
   • Kapitel 4: Daten von Anweisungen trennen
   • Kapitel 5: Ausgabe formatieren und für Claude sprechen
   • Kapitel 6: Präkognition (Schritt für Schritt denken)
   • Kapitel 7: Beispiele verwenden
3. Fortgeschrittenes Degree:
   • Kapitel 8: Halluzinationen vermeiden
   • Kapitel 9: Erstellen komplexer Eingabeaufforderungen (Branchenanwendungsfälle)

In jedem Kapitel lernen Sie nicht nur die Theorie, sondern tauchen auch in die Praxis ein. Der „Beispielspielplatz“ am Ende jeder Lektion ermöglicht Ihnen, mit Variationen von Eingabeaufforderungen zu experimentieren und aus erster Hand zu sehen, wie unterschiedliche Eingaben zu unterschiedlichen Ergebnissen führen.

Anthropologischer Ingenieurkurs: Warum ist er etwas Besonderes?

Sie haben diesen Kurs mit Blick auf Ihre Lernreise konzipiert. Das macht ihn einzigartig:

• Interaktives Lernen: Jede Lektion enthält Übungen, die Sie zum Nachdenken, Ausprobieren und Wiederholen anregen.
• Auf Ihre Bedürfnisse zugeschnitten: Egal, ob Ihr Schwerpunkt auf Rechtsdienstleistungen, Finanzgeschäften oder Codierung liegt, unsere fortgeschrittenen Abschnitte bieten branchenspezifische Übungen.
• Fortgeschrittene Techniken: Für diejenigen, die über die Grundlagen hinausgehen möchten, bietet unser Anhang fortgeschrittene Methoden wie das Verketten von Eingabeaufforderungen, das Integrieren von Instruments und den Einsatz von Such- und Abrufstrategien.

Dieses Tutorial ist auch in Google Sheets verfügbar über Claude von Anthropics für die Sheets-Erweiterung, die eine noch benutzerfreundlichere Oberfläche bietet. Wir empfehlen, beide Versionen auszuprobieren, um zu sehen, welche am besten zu Ihrem Stil passt.

Tutorial: Wie verwende ich dies in Google Sheets?

Zunächst benötigen Sie einen API-Schlüssel, um mit diesem Tutorial interagieren zu können. Wenn Sie keinen haben, können Sie sich über die Anthropic Console dafür anmelden oder den statischen Antwortschlüssel des Tutorials verwenden.

Erste Schritte:

1. Eine Kopie erstellen:
   Speichern Sie eine Kopie dieses Blattes in Ihrem Google Drive.
2. Installieren Sie die Claude for Sheets-Erweiterung:
   a. Besuchen Sie die Erweiterungsseite „Claude for Sheets“.
   b. Klicken Sie auf die blaue Schaltfläche „Installieren“.
   (Wenn Sie es bereits installiert haben, fahren Sie mit Schritt 3 fort.)
3. Aktivieren Sie die Erweiterung für dieses Dokument:
   a. Gehen Sie in der Symbolleiste zu Erweiterungen > Add-ons > Add-ons verwalten.
   b. Klicken Sie oben rechts in der Erweiterung „Claude for Sheets“ auf das Drei-Punkte-Menü.
   c. Stellen Sie sicher, dass „In diesem Dokument verwenden“ aktiviert ist.
4. Fügen Sie Ihren API-Schlüssel hinzu:
   a. Erhalten Sie Ihre einzigartige Anthropische API -Schlüssel, indem Sie den bereitgestellten Anweisungen folgen.
   b. Geben Sie Ihren API-Schlüssel ein, indem Sie zu Erweiterungen > Claude for Sheets > Geben Sie Ihren Anthropic-API-Schlüssel ein gehen.

Hier sind Artikel auf Immediate Engineering, die Ihnen bei Ihrem Studium helfen können:

Artikel	Quelle
Implementierung der Tree of Ideas-Methode in der KI	Hyperlink
Was sind Trennzeichen im Immediate Engineering?	Hyperlink
Was ist Selbstkonsistenz im Immediate Engineering?	Hyperlink
Was ist Temperatur in der Immediate-Technik?	Hyperlink
Verifizierungskette: Schnelle Entwicklung für beispiellose Genauigkeit	Hyperlink
Beherrschung der Wörterbuchkette im Immediate Engineering	Hyperlink
Was ist die Symbolkette im Immediate Engineering?	Hyperlink
Was ist die Emotionskette im Immediate Engineering?	Hyperlink

Wichtige Dinge, die Sie beachten sollten

Dieser Kurs verwendet Claude 3 Haiku mit einer Temperatureinstellung von 0, was zu schnelleren und konsistenteren Ergebnissen führt. Diese schnellen technischen Techniken gelten auch für andere Claude-Modelle.

So fügen Sie einer Zelle eine neue Zeile hinzu:

• Mac: Befehl + Eingabe
• Home windows: Alt + Eingabe

Seitennavigation:

Klicken Sie auf jeder Seite unten oder oben rechts auf die grauen Hyperlinks.

Verwenden Sie zur Navigation das Popup mit dem blauen Hyperlink.

Wenn Sie die richtige Antwort erreicht haben, wird Claudes Antwortzelle grün.

Abschluss

Da sich die Welt der KI weiterhin in halsbrecherischem Tempo weiterentwickelt, kann die Bedeutung der Beherrschung des Immediate Engineering nicht genug betont werden. Diese Fähigkeit wird zu einem Eckpfeiler für jeden, der in KI-gesteuerten Bereichen erfolgreich sein möchte, da sie es Ihnen ermöglicht, effektiver mit KI-Modellen zu kommunizieren und bessere, präzisere Ergebnisse zu erzielen. Der Kurs „Anthropic Immediate Engineering“ bietet eine einzigartige Gelegenheit, praktische Erfahrungen zu sammeln und Ihr Verständnis dieser wichtigen Fähigkeit zu vertiefen. Egal, ob Sie ein Anfänger oder ein erfahrener KI-Benutzer sind, dieser Kurs stattet Sie mit dem Wissen und den Werkzeugen aus, die Sie benötigen, um das volle Potenzial der KI auszuschöpfen, und macht Sie zu einem wertvollen Aktivposten in einer zunehmend KI-zentrierten Welt. Passen Sie sich nicht nur der Zukunft an – gestalten Sie sie mit der Kraft des Immediate Engineering.

Und wenn Sie sich im Immediate Engineering hervortun wollen, dann erkunden Sie – die GenAI Pinnacle-Programm heute! Hier ist der Fahrplan:

Sind Sie bereit, die Artwork und Weise zu verändern, wie Sie mit KI interagieren? Lassen Sie uns anfangen!

Häufig gestellte Fragen

Bild vom Autor

Als ich aufwuchs, hätte ich nie gedacht, dass es eine Zeit geben würde, in der Menschen von zu Hause aus einen Abschluss machen könnten. Ich hörte von Offene Universität und andere ähnliche Plattformen, aber jetzt sehe ich, dass es immer verfügbarer wird.

Heutzutage ist es schwer, einen Abschluss in Pädagogik zu machen. Die Menschen müssen viel opfern. Ob es nun um Finanzen geht oder darum, jemanden zu finden, der sich um ihre Lieben wie Kinder kümmert. On-line-Abschlüsse sind eine großartige Various, bei der Sie Ihre Lernreise bequem von zu Hause aus fortsetzen können.

Für diejenigen unter Ihnen, die sich davor scheuen, in die Technologiebranche einzusteigen, weil Sie diese Opfer nicht bringen können, bin ich hier, um Ihnen zu helfen!

BSc Informatik

Verknüpfung: BSc Informatik

Der von der College of London und der Goldsmiths College angebotene BSc-Studiengang Informatik ist ein 100 % On-line-Lernprogramm, bei dem Sie von überall auf der Welt praxisnah lernen können. Es handelt sich um einen anerkannten Bachelor-Abschluss, der Ihnen Flexibilität mit einem Studienplan bietet, der Ihren Verpflichtungen entspricht. Der Bachelor-Abschluss besteht aus 23 Kursen, die 14 bis 28 Stunden professional Woche in Anspruch nehmen. Das sind insgesamt 36 bis 72 Monate.

In diesem Abschluss werden Sie:

• Perfektionieren Sie Ihre Auswahl an Programmiersprachen wie Python, C++, C#, Java Script.
• Erweitern Sie Ihr Wissen und Ihre Fähigkeiten in einer praktischen, projektbasierten Lernumgebung, in der Sie Ihre eigene Software program entwickeln
• Wählen Sie eine Spezialisierung, die Ihren Karrierebedürfnissen entspricht, von maschinellem Lernen und KI, Datenwissenschaft, Net- und Mobilentwicklung, UX und mehr
• Spezialisieren Sie sich auf eines von sieben topaktuellen Themen: ML und KI, Datenwissenschaft, Net- und Mobilentwicklung, Bodily Computing und IoT, Spieleentwicklung, VR oder UX.
• Erstellen Sie ein Portfolio praktischer Forschung und Anwendungen, mit dem Sie Ihr Fachwissen demonstrieren und Ihren Wert gegenüber Arbeitgebern und Investoren kommunizieren können.

BSc Information Science & Künstliche Intelligenz

Verknüpfung: BSc Information Science & Künstliche Intelligenz

Der BSc-Studiengang Information Science & Synthetic Intelligence des Indian Institute of Expertise Guwahati ist ein anerkannter Bachelor-Abschluss mit Auszeichnung und wird zu 100 % on-line angeboten. So können Sie von überall aus praktisches Lernen betreiben, einschließlich On-line-Unterricht und -Prüfungen sowie optionaler Campus-Immersion. Wenn Sie 18 bis 20 Stunden professional Woche investieren, können Sie den Abschluss in 4 bis 8 Jahren abschließen.

8 Jahre klingt ein bisschen erschreckend, oder? Dieser On-line-Abschluss bietet jedoch versatile Ausstiegsmöglichkeiten am Ende jedes Jahres, sodass Sie Ihre Ausbildung so gestalten können, dass sie Ihren Karrierezielen entspricht. Sie können am Ende des ersten Jahres mit einem Foundational Certificates in Information Science & AI abschließen, am Ende des zweiten Jahres mit einem Diploma in Information Science & AI, nach Abschluss aller Kurse im dritten Jahr Ihren Bachelor of Science-Abschluss erhalten oder am Ende des vierten Jahres einen Honours Diploma erwerben.

In diesem Abschluss werden Sie:

• Bereiten Sie sich auf die sich entwickelnde Technologielandschaft vor
• Fokus auf anwendungsorientiertes Lernen durch Abschlussprojekte, Praktika und karrierefördernde Zertifikate
• Erfahren Sie, wie Sie mit dem Capstone-Projekt reale Probleme angehen
• Lernen Sie über 50 Programmiersprachen, Instruments, Bibliotheken und Repositories kennen.
• Entwickeln Sie Systeme für maschinelles Lernen und integrieren Sie diese unter der Aufsicht von Branchenführern in KI-Modelle im großen Maßstab.

Einpacken

Dieser Artikel soll denjenigen Hoffnung geben, die aufgrund von Einschränkungen oder der Angst, wieder an die Universität gehen zu müssen, zögern, eine Karriere in der Datenwissenschaft ernst zu nehmen.

Es ist nie zu spät, seine Träume zu verfolgen!

Nisha Arya ist Datenwissenschaftlerin, freiberufliche technische Redakteurin und Redakteurin und Neighborhood-Managerin für KDnuggets. Sie ist besonders daran interessiert, Karriereberatung oder Tutorials für die Datenwissenschaft sowie theoriebasiertes Wissen rund um die Datenwissenschaft bereitzustellen. Nisha deckt ein breites Themenspektrum ab und möchte die verschiedenen Möglichkeiten erkunden, wie künstliche Intelligenz die Langlebigkeit des menschlichen Lebens verbessern kann. Als eifrige Lernerin möchte Nisha ihr technisches Wissen und ihre Schreibfähigkeiten erweitern und gleichzeitig anderen helfen, Anleitung zu geben.