Kursbeschreibung
Dieser kompakte Kurs vermittelt dir praxisnah, wie du mit Python und TensorFlow große Datenmengen effizient aufbereitest und für Machine-Learning-Prozesse nutzt. Als bevorzugte Sprache für neuronale Netzwerke und KI-Anwendungen bietet Python eine ideale Grundlage, um moderne ML-Workflows zu verstehen und produktiv umzusetzen.
Das Training richtet sich an Fachkräfte, die einen schnellen Einstieg in die datengetriebene Entwicklung mit TensorFlow suchen.
Die wichtigsten Themen im Überblick
- TensorFlow praxisnah nutzen
- Neuronale Netze verstehen
- Keras Modelle trainieren
- Daten mit pandas aufbereiten
- NumPy für ML anwenden
- CNN und Transfer Learning
Zielgruppe
Dieses Kursformat richtet sich an Fachkräfte, die als Softwareentwickler oder angehende Data Scientists moderne Machine-Learning-Technologien mit Python und TensorFlow praxisnah erlernen und produktiv einsetzen möchten.
Voraussetzung für die Schulung
Für diese Schulung sollten Teilnehmende über Python-Kenntnisse verfügen, die dem Niveau eines Grundkurses entsprechen und ein solides Verständnis für grundlegende Programmierkonzepte mitbringen.
Kursinhalte
Folgende Lerninhalte werden in unserem Python-Kurs vermittelt:
- Prinzip und Arbeitsweise eines künstlichen neuronalen Netzwerks
- Überblick über maschinelles Lernen und Deep Learning
- Python für große Datenmengen (Big Data Basics)
- Einstieg in Python numpy: Matrizen, Vektoren, Broadcasting
- Datenanalyse und -vorbereitung mit pandas
- Visualisierung von Daten mit matplotlib und seaborn (Überblick)
- Einführung in TensorFlow: Aufbau, Komponenten und Philosophie
- TensorFlow 2.x vs. ältere Versionen – Keras als High-Level-API
- Aufbau und Training einfacher neuronaler Netzwerke mit Keras
- Verwendung von Aktivierungsfunktionen, Optimierern und Loss-Funktionen
- Evaluierung und Visualisierung der Trainingsfortschritte mit TensorBoard
- Regularisierungsmethoden (Dropout, Early Stopping, etc.)
- Einsatz von vortrainierten Modellen (Transfer Learning)
- Anwendung von Convolutional Neural Networks (CNNs) – Grundlagen und Beispiele
- Einführung in Recurrent Neural Networks (RNNs) und LSTMs (optional, je nach Zielgruppe)
- Modell-Export und -Deployment mit TensorFlow SavedModel
- Tipps zur Performance-Optimierung und GPU-Nutzung
- Ausblick: TensorFlow Lite, TensorFlow.js und AutoML
- Hands-On: Eigene Modelle trainieren und testen
