- Einführung in moderne Deep Learning-Ökosysteme
- Überblick über den technologischen Wandel: Multimodale Modelle, Foundation Models, Edge-vs-Cloud-Inference.
- Markt- und Einsatzszenarien in Industrie, Healthcare, Finanzen.
- Architektur-Entscheidungen: Frameworks, Bibliotheken, Open-Source-Ökosystem.
- Datenaufbereitung, Feature Engineering und Pipeline-Design
- Datenklassifizierung, Zeitreihen, Bild- und Textdaten: typische Herausforderungen.
- Data-Cleaning, Augmentation, Transfer Learning, Self-Supervised Learning.
- Aufbau einer End-to-End-Pipeline inklusive Daten-Versionierung und MLOps-Anbindung.
- Modell-Architekturen im Deep Learning
- Klassische Layer-Netze, CNNs, RNNs/LSTMs, Transformer, Vision Transformer (ViT).
- Generative Modelle: GANs, VAEs, Diffusionsmodelle.
- Edge-optimierte, kompakte Modelle (TinyML) und Nachhaltigkeitsaspekte (Green AI).
- Implementierung mit TensorFlow und PyTorch
- API-Vergleich TensorFlow vs. PyTorch, Best-Practices.
- Aufbau und Training von CNNs, Transformers, Fine-Tuning von Foundation Models.
- Hyperparameter-Tuning, Optimizer, Regularisierung, Interpretierbarkeit.
- Produktive Inferenz, Skalierung und MLOps
- Deployment-Strategien: Cloud, Edge, Hybrid.
- Monitoring & Logging, A/B-Testing von Modellen, Modell-Lifecycle.
- MLOps-Tools: CI/CD für Modelle, Automatisierung, Governance & Sicherheit.
- Praxis: Projektaufbau und Umsetzung
- Live-Projekt: von Daten bis Deployment - Teilnehmer:innen arbeiten in Kleingruppen.
- Nutzung realer Daten- oder Simulations-Datasets, Schnittstelle zu Cloud oder Edge.
- Review-Sessions und Peer-Feedback.
- Ethik, Datenschutz und nachhaltige KI
- Responsible AI, Bias-Erkennung, Transparenz, Fairness.
- Energie-Effizienz von Deep Learning (Green AI), CO2-Footprint von Modellen.
- Governance, Compliance, Unternehmensrichtlinien.
- Service, Kommunikation und Business-Impact
- Kommunikationsstrategie: Ergebnisse gegenüber Stakeholdern präsentieren.
- Kosten-Nutzen-Analyse von KI-Projekten, ROI, Life-Time-Value von Modellen.
- Aufbau einer internes Wissens- und Fehlerkultur, Lessons-Learned und Skalierungsstrategie.
- Praxisübungen
- Kleingruppen-Projekt: Datenaufbereitung und Modelltraining auf einem ausgewählten Use-Case mit Transfer Learning.
- Implementierung & Deployment: Modell in Cloud und/oder Edge bereitstellen + Monitoring einrichten.
- Business-Review & Präsentation: Auswertung der Ergebnisse, ROI-Berechnung, Lessons Learned dokumentieren.
LernzieleDieses praxisorientierte Seminar vermittelt Ihnen nicht nur das technische Fundament von Deep Learning-Modellen (z. B. CNNs, Transformer, GANs) in den Frameworks TensorFlow und PyTorch, sondern zeigt zugleich, wie Sie diese Modelle im unternehmerischen Umfeld - von Datenaufbereitung über Infrastruktur-Design bis hin zur produktiven Inferenz - gezielt einsetzen. Sie lernen, Deep-Learning-Projekte ganzheitlich zu steuern: Auswahl der Architektur, Einsatz auf Edge oder Cloud, Monitoring & MLOps, sowie Skalierung und Nachhaltigkeit. Am Ende sind Sie in der Lage, erste eigene Modelle aufzubauen, zu evaluieren, zu optimieren und in Live-Systeme zu überführen.
ZielgruppenDiese Weiterbildung richtet sich an Data Scientists, KI-Ingenieur:innen, ML-Engineers, Projektleiter:innen im Bereich KI sowie technische Führungskräfte, die Deep Learning-Projekte übernehmen oder begleiten wollen. Vorkenntnisse in Python-Programmierung und lineare Algebra sind von Vorteil, aber keine umfassende ML-Erfahrung erforderlich.
