KKC_0042 | Python Deep-Dive Kurs: Deep Learning, Neuronale Netze & Visualisierung

In diesem Seminar erarbeiten Sie die wichtigsten Konzepte, Werkzeuge und Einsatzmöglichkeiten praxisnah. Im Mittelpunkt stehen KI-gestützte Bildgenerierung, Gestaltung, Prompting, Variantensteuerung und professionelle Kreativ-Workflows. Sie lernen typische Einsatzszenarien kennen, bewerten Chancen und Grenzen und übertragen die Inhalte auf konkrete Aufgaben aus dem Arbeitsalltag.

Praxisnahe Übungen, Beispiele und Leitfragen helfen Ihnen, das Thema strukturiert, sicher und nachvollziehbar anzuwenden.

• Deep-Learning-Grundlagen mit Python fachlich vertiefen
• Neuronale Netze, Trainingslogik und Modellparameter verstehen
• Daten für Deep-Learning-Experimente vorbereiten
• Trainingsergebnisse visualisieren und Modellverhalten interpretieren
• Overfitting, Validierung und typische Fehlerbilder erkennen
• Praxisbeispiele für anspruchsvollere KI-Workflows übertragen

Das Seminar richtet sich an Python-Anwender/innen, Entwickler/innen, Data-Teams und KI-Interessierte, die Deep Learning praxisnah vertiefen möchten.

Vorausgesetzt werden Python-Grundkenntnisse. Grundlagen in Datenanalyse oder Machine Learning sind empfehlenswert.

Einführung und Übersicht

• Begriffsklärung: Machine Learning, Neuronale Netze, Deep Learning, AI, Perzeptron…
• Aufsetzen der Python-Umgebung (Scipy, Keras, TensorFlow…)
• Machine Learning Grundlagen

Python und Einführung in Machine Learning

• Crashkurs und Übersicht Numpy und Pandas
• Maschinelles lernen richtig verstehen ohne ML Bibliotheken
• Das Perzeptron
• Mathematische Grundlagen einfach erklärt
• Skalarprodukte und Heaviside-Funktion (ja wirklich Heaviside)
• Delta-Regeln
• Neuronen mit Bias
• Eingabe- und Ausgabe-Neuronen
• Lernrate und Training
• Visualisierung mit Matplotlib und Pandas

Datenaufbereitung, Testsets und Parameter

• Richtige Trainingsdaten auswählen
• Varianzen und potentielle Probleme
• Ungereimtheiten und Abweichungen finden
• Einschätzung Machbarkeit, Ressourcen-Aufwand, Genauigkeit & Co
• Daten vektorisieren und standardisieren
  • CSV- und Text-Dateien
  • Bilder
  • Andere Datenquellen

Neuronale Netze mit Tensorflow

• Übersicht und Architektur
• Tensorflow 2.0
• Was ist ein neuronales Netzwerk?
• Überwachtes lernen mit neuronalen Netzwerken
• Modelle für verschiedene Szenarien
• Arten von Algorithmen
• Bild-Klassifizierung
• Textverständnis
• Validierung der eigenen Modelle

Deep Learning und Keras

• Aktuelle Trends
• Anwendungsbereiche und aktuelle Beispiele
• Unüberwachtes lernen
• Arten von Netzwerken und Modellen
• Keras
• Dataset Objects
• Modelle trainieren
• GPU Optimierung
• Modell Konfigurationen
• KerasTuner
• Echte Beispiele von Anfang bis Ende
• Visualisierung des Modells