Deep Learning – mit Python und PyTorch

Dieses Seminar führt Sie in moderne Deep-Learning-Techniken ein. Sie arbeiten mit neuronalen Netzen wie CNNs, RNNs und MLPs und setzen diese mit PyTorch um.

Neben dem Aufbau und Training lernen Sie, Modelle zu optimieren und in Projekten praktisch anzuwenden. Der Kurs verbindet Theorie und Praxis auf verständliche Weise.

Hinweis:

Einführung in Deep Learning

• Unterschiede zu klassischem ML
• Mathematische Grundlagen neuronaler Netze

Architekturen neuronaler Netze

• MLPs (Multilayer Perceptrons)
• CNNs (Convolutional Neural Networks)
• RNNs (Recurrent Neural Networks)

Arbeiten mit PyTorch

• Modellaufbau und Training
• Vergleich mit anderen Frameworks (TensorFlow und Keras)

Hyperparameter-Tuning

• Lernrate, Batchgröße, Optimizer
• Early Stopping und Regularisierung

Deep-Learning-Projekte praktisch anwenden

• Bildklassifikation
• Textanalyse oder Zeitreihenprognosen

Modell-Bereitstellung und Skalierung

Sie erwerben eine Einführung in moderne Deep-Learning-Techniken und arbeiten mit neuronalen Netzen wie CNNs, RNNs und MLPs. Sie bauen und trainieren Modelle mit PyTorch, optimieren diese und wenden sie praktisch in Projekten an.

Der Kurs ist ideal für ML-Erfahrene, die sich mit Deep Learning, neuronalen Netzen und modernen Tools wie PyTorch weiterentwickeln wollen.

Sicherer Umgang mit Python und gute Kenntnisse im Machine Learning. Erste Erfahrungen mit NumPy oder Pandas sind hilfreich.