KKC_0043 | Pytorch Grundkurs: Deep Learning mit MLP und CNN
Deep Learning mit PyTorch, MLP und CNN praxisnah verstehen
Infos zum Download
Bauen Sie erste neuronale Netze mit klarer Trainingslogik auf
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.
AngebotszielPytorch Grundkurs: Deep Learning mit MLP und CNN
- PyTorch als Framework für Deep Learning einordnen
- Tensoren, Datenloader und Trainingsschleifen verstehen
- MLP-Modelle für grundlegende Lernaufgaben aufbauen
- CNNs für Bild- und Mustererkennung fachlich einordnen
- Loss, Optimizer, Metriken und Validierung anwenden
- Overfitting, Datenqualität und Debugging bei Deep Learning berücksichtigen
ZielgruppePytorch Grundkurs: Deep Learning mit MLP und CNN
Das Seminar richtet sich an Entwickler/innen, Data-Science-Einsteiger/innen, KI-Interessierte und technische Teams, die Deep Learning mit PyTorch erlernen möchten.
VoraussetzungenPytorch Grundkurs: Deep Learning mit MLP und CNN
Vorausgesetzt werden Python-Grundkenntnisse. Grundlagen in Machine Learning oder linearer Algebra sind hilfreich.
InhaltePytorch Grundkurs: Deep Learning mit MLP und CNN
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
AusbildungsnachweisPytorch Grundkurs: Deep Learning mit MLP und CNN
Zertifikat der IAD GmbH
Sie erhalten ein Teilnahmezertifikat der IAD GmbH. Damit können Sie Ihr erworbenes Wissen dokumentieren.
im Angebot