Einführung in Deep Learning mit Pytorch Kurs

• Folgende Lerninhalte werden in unserem Kurs vermittelt:
  • 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

Zielgruppe:

Dieses Training richtet sich an Fachkräfte, die mit Python entwickeln und ihre Kenntnisse gezielt für Deep Learning mit PyTorch erweitern möchten, um leistungsfähige neuronale Netzwerke in produktiven KI-Projekten einzusetzen.

Für diese Schulung sollten Teilnehmende sicher mit Python umgehen, praktische Erfahrung mit Numpy und Jupyter-Notebooks mitbringen und bereits an komplexen Softwareprojekten gearbeitet haben. Vorkenntnisse im Machine Learning sind nicht erforderlich.