Einstieg in diesen Kurs

Wir freuen uns sehr, dass du mit diesem Kurs startest und sind gespannt, wozu dich Generative KI inspiriert!

Damit du erfolgreich bist, findest du auf dieser Seite die Schritte zur Einrichtung, technische Voraussetzungen und Hinweise, wo du bei Bedarf Hilfe bekommst.

Einrichtungsschritte

Um mit dem Kurs zu beginnen, solltest du die folgenden Schritte durchführen.

1. Forke dieses Repository

Forke das gesamte Repository in deinen eigenen GitHub-Account, damit du den Code ändern und die Aufgaben bearbeiten kannst. Du kannst das Repository auch mit einem Stern (🌟) markieren, um es und verwandte Repos leichter wiederzufinden.

2. Erstelle einen Codespace

Um Abhängigkeitsprobleme beim Ausführen des Codes zu vermeiden, empfehlen wir, diesen Kurs in einem GitHub Codespace zu absolvieren.

In deinem Fork: Code -> Codespaces -> New on main

2.1 Füge ein Secret hinzu

⚙️ Zahnrad-Symbol -> Command Palette -> Codespaces : Manage user secret -> Add a new secret.
Name OPENAI_API_KEY, füge deinen Schlüssel ein, Speichern.

3. Wie geht es weiter?

Ich möchte…	Gehe zu…
Mit Lektion 1 starten	`01-introduction-to-genai`
Offline arbeiten	`setup-local.md`
Einen LLM-Anbieter einrichten	`providers.md`
Andere Lernende treffen	Tritt unserem Discord bei

Fehlerbehebung

Symptom	Lösung
Container-Build hängt > 10 min	Codespaces ➜ „Rebuild Container“
`python: command not found`	Terminal wurde nicht verbunden; klicke auf + ➜ bash
`401 Unauthorized` von OpenAI	Falscher / abgelaufener `OPENAI_API_KEY`
VS Code zeigt „Dev container mounting…“	Browser-Tab neu laden – Codespaces verliert manchmal die Verbindung
Notebook-Kernel fehlt	Notebook-Menü ➜ Kernel ▸ Select Kernel ▸ Python 3

Unix-basierte Systeme:

touch .env

Windows:

echo . > .env

Bearbeite die .env-Datei: Öffne die .env-Datei in einem Texteditor (z.B. VS Code, Notepad++ oder einem anderen Editor). Füge folgende Zeile hinzu und ersetze your_github_token_here durch deinen tatsächlichen GitHub-Token:
```
GITHUB_TOKEN=your_github_token_here
```
Datei speichern: Speichere die Änderungen und schließe den Editor.
Installiere python-dotenv: Falls noch nicht geschehen, installiere das Paket python-dotenv, um Umgebungsvariablen aus der .env-Datei in deine Python-Anwendung zu laden. Installiere es mit pip:
```
pip install python-dotenv
```

Lade Umgebungsvariablen in deinem Python-Skript: Nutze in deinem Python-Skript das Paket python-dotenv, um die Variablen aus der .env-Datei zu laden:

from dotenv import load_dotenv
import os

# Load environment variables from .env file
load_dotenv()

# Access the GITHUB_TOKEN variable
github_token = os.getenv("GITHUB_TOKEN")

print(github_token)

Das war's! Du hast erfolgreich eine .env-Datei erstellt, deinen GitHub-Token hinzugefügt und ihn in deine Python-Anwendung geladen.

So führst du den Code lokal auf deinem Computer aus

Um den Code lokal auf deinem Rechner auszuführen, benötigst du eine installierte Python-Version.

Um das Repository zu nutzen, musst du es klonen:

git clone https://github.com/microsoft/generative-ai-for-beginners
cd generative-ai-for-beginners

Sobald alles heruntergeladen ist, kannst du loslegen!

Optionale Schritte

Miniconda installieren

Miniconda ist ein schlanker Installer für Conda, Python und einige Pakete. Conda selbst ist ein Paketmanager, der es einfach macht, verschiedene Python-virtuelle Umgebungen und Pakete einzurichten und zu wechseln. Außerdem ist es praktisch, um Pakete zu installieren, die nicht über pip verfügbar sind.

Du kannst der MiniConda-Installationsanleitung folgen, um es einzurichten.

Mit installiertem Miniconda musst du das Repository klonen (falls noch nicht geschehen).

Als Nächstes musst du eine virtuelle Umgebung erstellen. Mit Conda geht das, indem du eine neue Umgebungsdatei (environment.yml) anlegst. Wenn du Codespaces verwendest, erstelle diese Datei im Verzeichnis .devcontainer, also .devcontainer/environment.yml.

Fülle deine Umgebungsdatei mit folgendem Snippet:

name: <environment-name>
channels:
  - defaults
  - microsoft
dependencies:
  - python=<python-version>
  - openai
  - python-dotenv
  - pip
  - pip:
      - azure-ai-ml

Falls du mit conda Fehler bekommst, kannst du die Microsoft AI Libraries auch manuell mit folgendem Befehl im Terminal installieren.

conda install -c microsoft azure-ai-ml

Die Umgebungsdatei legt die benötigten Abhängigkeiten fest. <environment-name> ist der Name, den du für deine Conda-Umgebung verwenden möchtest, und <python-version> ist die gewünschte Python-Version, z.B. 3 für die aktuelle Hauptversion.

Danach kannst du deine Conda-Umgebung mit den folgenden Befehlen im Terminal erstellen:

conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer sub path applies to only Codespace setups
conda activate ai4beg

Sieh dir den Conda-Umgebungen-Guide an, falls du auf Probleme stößt.

Visual Studio Code mit Python-Erweiterung verwenden

Wir empfehlen für diesen Kurs den Editor Visual Studio Code (VS Code) mit der Python-Erweiterung. Das ist aber nur eine Empfehlung und keine zwingende Voraussetzung.

Note: Wenn du das Kurs-Repository in VS Code öffnest, kannst du das Projekt in einem Container einrichten. Das liegt an dem speziellen .devcontainer-Verzeichnis im Repository. Mehr dazu später.

Note: Sobald du das Verzeichnis in VS Code öffnest, wird dir automatisch vorgeschlagen, die Python-Erweiterung zu installieren.

Note: Falls VS Code vorschlägt, das Repository in einem Container zu öffnen, lehne dies ab, um die lokal installierte Python-Version zu verwenden.

Jupyter im Browser nutzen

Du kannst auch direkt im Browser mit der Jupyter-Umgebung am Projekt arbeiten. Sowohl das klassische Jupyter als auch Jupyter Hub bieten eine angenehme Entwicklungsumgebung mit Features wie Autovervollständigung, Syntax-Highlighting usw.

Um Jupyter lokal zu starten, öffne das Terminal, wechsle ins Kursverzeichnis und führe aus:

jupyter notebook

oder

jupyterhub

Dadurch wird eine Jupyter-Instanz gestartet und die URL zum Zugriff wird im Terminal angezeigt.

Wenn du die URL aufrufst, siehst du die Kursübersicht und kannst zu jeder *.ipynb-Datei navigieren, z.B. 08-building-search-applications/python/oai-solution.ipynb.

Ausführung in einem Container

Eine Alternative zur lokalen Einrichtung oder Codespace ist die Nutzung eines Containers. Der spezielle Ordner .devcontainer im Repository ermöglicht es VS Code, das Projekt in einem Container einzurichten. Außerhalb von Codespaces ist dafür die Installation von Docker nötig und es ist etwas aufwändiger – wir empfehlen das daher nur, wenn du bereits Erfahrung mit Containern hast.

Eine der besten Möglichkeiten, deine API-Schlüssel in GitHub Codespaces sicher zu verwahren, ist die Nutzung von Codespace Secrets. Folge der Anleitung zur Verwaltung von Codespaces-Secrets, um mehr darüber zu erfahren.

Lektionen und technische Voraussetzungen

Der Kurs besteht aus 6 Konzept-Lektionen und 6 Coding-Lektionen.

Für die Coding-Lektionen nutzen wir den Azure OpenAI Service. Du benötigst Zugriff auf den Azure OpenAI Service und einen API-Schlüssel, um den Code auszuführen. Du kannst hier einen Antrag stellen, um Zugriff zu erhalten.

Während du auf die Bearbeitung deines Antrags wartest, findest du in jeder Coding-Lektion auch eine README.md-Datei, in der du den Code und die Ausgaben ansehen kannst.

Azure OpenAI Service zum ersten Mal nutzen

Wenn du zum ersten Mal mit dem Azure OpenAI Service arbeitest, folge bitte dieser Anleitung, wie du eine Azure OpenAI Service-Ressource erstellst und bereitstellst.

OpenAI API zum ersten Mal nutzen

Wenn du zum ersten Mal mit der OpenAI API arbeitest, folge bitte der Anleitung, wie du das Interface erstellst und verwendest.

Andere Lernende treffen

Wir haben in unserem offiziellen AI Community Discord-Server Kanäle eingerichtet, um andere Lernende zu treffen. Das ist eine tolle Möglichkeit, dich mit anderen Gründer:innen, Entwickler:innen, Studierenden und allen, die sich für Generative KI interessieren, zu vernetzen.

Auch das Projektteam ist auf diesem Discord-Server und hilft gerne weiter.

Mitmachen

Dieser Kurs ist ein Open-Source-Projekt. Wenn du Verbesserungen oder Probleme siehst, erstelle bitte einen Pull Request oder melde ein GitHub-Issue.

Das Projektteam verfolgt alle Beiträge. Open Source beizutragen ist eine großartige Möglichkeit, deine Karriere im Bereich Generative KI voranzubringen.

Für die meisten Beiträge musst du einer Contributor License Agreement (CLA) zustimmen, die bestätigt, dass du das Recht hast, deinen Beitrag einzureichen und uns die Nutzungsrechte daran gewährst. Details findest du auf der CLA-Website.

Wichtig: Wenn du Texte in diesem Repository übersetzt, verwende bitte keine maschinelle Übersetzung. Die Übersetzungen werden von der Community überprüft, also übernimm bitte nur Sprachen, in denen du wirklich fit bist.

Wenn du einen Pull Request einreichst, prüft ein CLA-Bot automatisch, ob du eine CLA abgeben musst, und versieht den PR entsprechend (z.B. mit Label, Kommentar). Folge einfach den Anweisungen des Bots. Das musst du nur einmal für alle Repositories machen, die unsere CLA verwenden.

Dieses Projekt folgt dem Microsoft Open Source Code of Conduct. Weitere Informationen findest du in den FAQ zum Code of Conduct oder kontaktiere Email opencode bei Fragen oder Anmerkungen.

Los geht's

Jetzt, da du die notwendigen Schritte für diesen Kurs abgeschlossen hast, lass uns mit einer Einführung in Generative KI und LLMs beginnen.

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ausgangssprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.

FilesExpand file tree

README.md

Latest commit

History