KKC_0070 | Python mit Tensorflow: Grundkurs

In diesem Seminar bauen Sie ein solides Fundament auf und arbeiten an verständlichen Praxisbeispielen. Im Mittelpunkt stehen moderne KI-Entwicklung mit Sprachmodellen, Automatisierung, Datenpipelines, Tools und praxisnahen Implementierungen. 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.

• TensorFlow und seine Rolle in Python-ML-Workflows verstehen
• Daten für TensorFlow-Modelle vorbereiten und strukturieren
• Einfache neuronale Netze aufbauen, trainieren und bewerten
• Trainingsverläufe, Metriken und Validierung interpretieren
• Typische Fehlerquellen bei Deep-Learning-Modellen erkennen
• Praxisnahe Einsatzszenarien für TensorFlow ableiten

Das Seminar richtet sich an Python-Anwender/innen, Entwickler/innen, Data-Science-Einsteiger/innen und technische Teams, die TensorFlow kennenlernen möchten.

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

• 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 – 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