Kursbeschreibung
Dieses Seminar vermittelt dir praxisnahes Wissen zum Deep Learning mit PyTorch und bietet einen fundierten Einstieg in die Arbeit mit Multilayer Perzeptrons und Convolutional Neural Networks, die besonders für die Verarbeitung von Bilddaten geeignet sind.
Du lernst, wie du mit PyTorch komplette Trainingsprozesse umsetzt – einschließlich Testphasen, Loss-Ausgabe und Visualisierung der Ergebnisse.
Die Schulung richtet sich an Fachkräfte, die moderne KI-Modelle mit PyTorch effizient entwickeln und produktiv einsetzen möchten.
Die wichtigsten Themen im Überblick
- Deep Learning mit PyTorch
- Neuronale Netze umsetzen
- CNNs für Bilddaten nutzen
- Backpropagation verstehen
- Modelle mit GPU trainieren
- PyTorch DataLoader anwenden
Zielgruppe
Dieses Training richtet sich an Fachkräfte, die mit Python entwickeln und ihre Kenntnisse gezielt für Deep Learning mit PyTorch erweitern möchten, um leistungsfähige neuronale Netzwerke in produktiven KI-Projekten einzusetzen.
Voraussetzung für die Schulung
Für diese Schulung sollten Teilnehmende sicher mit Python umgehen, praktische Erfahrung mit Numpy und Jupyter-Notebooks mitbringen und bereits an komplexen Softwareprojekten gearbeitet haben. Vorkenntnisse im Machine Learning sind nicht erforderlich.
Kursinhalte
Folgende Lerninhalte werden in unserem Kurs vermittelt:
- Lineare Regression
- Beschreibung der Problemstellung
- Implementierung mit Python und Numpy
- Back-Propagation
- Gradient Descent – Optimierungsverfahren
- Visuelle Aufbereitung mit Matplotlib
- Variante Logistic-Regression zur Klassifizierung
- Grundlagen
- Vektoren und Linearkombinationen
- Matrizen und lineare Transformationen
- Partielle Ableitungen
- Analysis in höheren Dimensionen
- Kettenregel und andere Regeln
- Geometrische Intuition
- Häufig benutzte Funktionen
- Neurale Netzwerke
- Pytorch: Historische Entwicklung
- Tensor als Basistyp mit Operationen
- Automatische Gradienten-Berechnung
- Ausführliche Behandlung der Dimensionierung
- DataSet, DataLoader und ImageFolder
- Standard-Datensätze wie MNIST
- nn.Module als Basisbaustein
- Multilayer Perceptron als grundlegender Netzwerktyp
- Nichtlineare Aktivierungsfunktionen: Sigmoid, Softmax, ReLU u.a Loss-Funktionen
- Optimizer: SGD, Adam und Weitere
- Trainingsschleife, Validation-Set
- Underfitting und Overfitting
- Visualisierung mit TensorBoard
- Convolutional Neural Networks (CNNs)
- Basistyp zur Bildklassifizierung
- Abgrenzung zu RNN und Transformer
- Vorbereitung der Bilddaten (Transforms)
- Convolution-Layer in Pytorch im Detail
- Training mit GPUs zum Beispiel Google Colab
- ImageNet: Wettbewerb und Bild-Datenbank
- Wichtige Architekturen: AlexNet, VGG, ResNet, ResNeXt
- Varianten von Transfer-Learning
- Auto-Encoders
