Open Source AI

De cursus Open Source AI van SpiralTrain biedt een diepgaande kennismaking met open-source LLM’s zoals DeepSeek, Mistral en LLaMA.

Overzicht van Open LLMs

Deze module behandelt open-source modellen zoals DeepSeek, Mistral en LLaMA. Onderwerpen zijn architecturen, gebruiksscenario’s, tokenkosten, Hugging Face, benchmarking en verantwoord gebruik.

Aan de slag met DeepSeek

Leer hoe je DeepSeek installeert, configureert en gebruikt. Behandeld worden prompts, API’s, meertaligheid, compressie en integraties. Je ontdekt ook verschillende opties voor modeldeployments.

Prompting en Tools

Ontdek technieken zoals zero-shot, few-shot en prompt chaining. Leer over LangChain, RAG, vector databases, geheugenoplossingen, geschiedenisbeheer en het opzetten van agentarchitecturen.

Fine-Tunen van Modellen

In deze module ga je aan de slag met fine-tuning, datasets, LoRA, PEFT en evaluatie. Gebruik Colab of AWS voor training en leer hoe je modellen test, evalueert en laat bijleren.

Deployen en Opschalen

Leer hoe je modellen inzet met FastAPI, Docker en Streamlit. Verder: lokaal vs cloud deployment, kostenbeheer, prestatiemonitoring, versiebeheer en resources optimaliseren voor schaalbare AI.

Praktijkvoorbeelden

Bekijk toepassingen zoals juridische samenvattingen, zorg-chatbots, AI-CRM’s en contentgeneratie. Inclusief educatieve bots, zoek-gebaseerde assistenten en copilots met geheugenfunctionaliteit.

Doelgroep cursus Open Source AI

De cursus Open Source AI is bedoeld voor developers, data scientists, machine learning engineers en AI-enthousiastelingen die willen werken met open source AI-tools.

Voorkennis cursus Open Source AI

Voor deelname aan de cursus is basiskennis van Python en data-analyse vereist. Enige ervaring met machine learning of neurale netwerken is een pré.

Realisatie training Open Source AI

De cursus wordt gegeven door een ervaren trainer en theorie en praktijk worden afgewisseld. Praktijkgerichte voorbeelden en case studies worden gebruikt ter illustratie.

Certificaat Open Source AI

Na succesvolle afronding van de cursus ontvangen deelnemers een certificaat van deelname aan de cursus Open Source AI.

Modules

Module 1: Overview of Open LLMs

• DeepSeek, Mistral, Mixtral, and LLaMA
• Benefits of open-source AI
• Architecture comparisons
• Use cases and performance
• Hugging Face and model hubs
• Responsible deployment
• Token limits and pricing
• Embeddings and tokenizers
• Current limitations
• Benchmarking tools

Module 2: Getting Started with DeepSeek

• DeepSeek architecture
• Installing and configuring
• Sample use cases
• Prompting strategies
• Tools and APIs
• Multilingual capabilities
• Performance tips
• Model compression
• Developer integrations
• Deployment options

Module 3: Prompting and Tooling

• Zero-shot vs few-shot
• Prompt chaining
• Function calling
• LangChain basics
• RAG workflows
• Vector databases
• Indexing content
• Custom memory solutions
• Chat history management
• Agent architecture

Module 4: Fine-Tuning Open Models

• Dataset preparation
• Supervised fine-tuning
• LoRA and PEFT
• Training pipelines
• Using Colab/AWS for training
• Evaluation and testing
• Prompt evaluation
• Embedding evaluation
• Real-world use cases
• Continuous learning

Module 5: Deployment and Scaling

• API wrappers
• Using FastAPI with models
• Streamlit for frontends
• Dockerized deployments
• Resource optimization
• Running locally
• Edge vs cloud deployment
• Monitoring performance
• Versioning models
• Cost considerations

Module 6: Case Studies

• Legal document summarizer
• Healthcare chatbot
• AI-powered CRM assistant
• Multilingual content generator
• Financial insights analyzer
• Open-source copilot
• Email generator with memory
• Search-augmented assistants
• Education and tutoring bots
• Knowledge retrieval systems