Kursbeschreibung
Dieses viertägige Training vermittelt praxisnah, wie Sie PyTorch gezielt für anspruchsvolle Machine-Learning-Projekte einsetzen. Sie lernen, Datensätze effizient zu verarbeiten, Modelle mit TorchServe bereitzustellen und Transfer Learning für spezifische Aufgaben zu nutzen. Im Fokus stehen reale Anwendungsfelder wie Computer Vision, NLP, Objekterkennung, Bildsegmentierung und Textklassifikation. Durch praktische Übungen entwickeln Sie eigene Modelle und vertiefen Ihr Verständnis für fortgeschrittene Konzepte wie den Einsatz von Large Language Models. Dieses Seminar bietet eine fundierte Grundlage für den professionellen Umgang mit PyTorch in modernen KI-Projekten.
Die wichtigsten Themen im Überblick
- PyTorch praxisnah anwenden
- Tensoren und CUDA nutzen
- Datensätze effizient bauen
- Modelle trainieren und testen
- Transfer Learning einsetzen
- Computer Vision umsetzen
Zielgruppe
Dieses Training richtet sich an Entwickler, KI-Entwickler und Data Scientists, die PyTorch gezielt für anspruchsvolle Machine-Learning-Anwendungen einsetzen und ihre Fähigkeiten in der praktischen Umsetzung moderner KI-Modelle vertiefen möchten.
Voraussetzung für die Schulung
Für eine erfolgreiche Teilnahme sollten Sie über Grundkenntnisse im Machine Learning verfügen, sicher in Python programmieren und Basiswissen in den Bereichen Computer Vision und Natural Language Processing mitbringen.
Kursinhalte
- Folgende Lerninhalte werden in unserem KI-Kurs vermittelt:
- Einführung in PyTorch, Datensätze und Modelle
- PyTorch und sein Ökosystem
- Überwachtes vs. Unüberwachtes Lernen
- Einführung in Tensoren, CUDA und Umgebungen
- Erstellung und Verarbeitung von Datensätzen
- Datensätze und Dataloader
- Transformationen und Datapipes
- Training und Evaluierung von Modellen
- Modelle, Loss Functions, Optimizer und Training Loops
- Speichern, Laden und Bewerten von Modellen
- Transfer Learning und vortrainierte Modelle
- Torch Hub und vortrainierte Modelle
- Anwendung auf Computer Vision und NLP
- Deep Learning für Computer Vision
- Objekterkennung, Bildsegmentierung und Keypoint-Erkennung
- Zero-Shot-Bildklassifikation mit vortrainierten Modellen
- Natural Language Processing (NLP)
- Textklassifikation, Word Embeddings und Transformer-Modelle
- Hugging Face Pipelines für NLP-Aufgaben
- Modellbereitstellung mit TorchServe
- Archivierung und Bereitstellung von Modellen
- Fortgeschrittene Themen: Large Language Models (LLMs)
- Anwendung und Bewertung von LLMs
- Nutzung in Generativen Modellen und Semantic Search
- Einführung in PyTorch, Datensätze und Modelle
