Deep Learning mit Python
Neuronale Netze spielen eine Schlüsselrolle bei der Automatisierung komplexer Prozesse in zahlreichen Geschäftsfeldern. Sie prüfen Bauteile in der Qualitätskontrolle, analysieren Dokumente, erkennen Objekte in Bildern, verarbeiten Sprache und bilden die Grundlage moderner Sprachmodelle – dies sind nur einige von vielen Anwendungsgebieten. In diesem Seminar erhalten die Teilnehmer eine fundierte Einführung in die Grundlagen des Deep Learnings sowie in die praktische Nutzung des Frameworks PyTorch und des Hugging-Face-Ökosystems. Ziel ist es, die Teilnehmer zu befähigen, eigenständige Deep-Learning-Lösungen zu entwickeln und in ihren jeweiligen Bereichen produktiv einzusetzen. Das Seminar beginnt mit der Erklärung der Funktionsweise neuronaler Netze, angefangen bei einfachen Neuronen bis hin zu deren Verknüpfung in komplexen Architekturen. Im praktischen Teil wird das Trainieren neuronaler Netze mit Python und PyTorch anhand realer Beispieldaten geübt. Zudem werden die Verarbeitung von Bilddaten mit konvolutionalen Netzen (CNN), die Analyse von Sequenzdaten und vor allem die Transformer-Architektur behandelt, auf der heutige Sprachmodelle beruhen. Transfer Learning und Fine-Tuning vortrainierter Modelle sowie die Bereitstellung trainierter Modelle runden das Seminar ab.
- Dauer
- 5 Tage
- Umfang
- 40 Unterrichtsstunden
- Ort
- Bei Ihnen oder online
Inhalte des Seminars
Das ist der Standardumfang. Wählen Sie ab, was Ihr Team schon kann, und schicken Sie uns Ihre Auswahl.
- Hintergrund: Aktivierungsfunktionen, Gradient Descent und Verlustfunktion
- Aufbau einfacher und komplexer neuronaler Netze
- Das Backpropagation-Lernprinzip
- Tensoren und Operationen
- Automatische Differenzierung mit Autograd
- Rechnen auf der GPU
- Modelle mit
torch.nnaufbauen - Daten laden mit
DatasetundDataLoader - Keras 3 und TensorFlow im Überblick
- Die Trainingsschleife: Vorwärtsdurchlauf, Verlust, Optimierer
- Klassifikation und Regression
- Batch-Größe, Lernrate und Lernraten-Scheduler
- Mit Overfitting umgehen: Dropout, Batch Normalization, Early Stopping
- Mixed Precision Training
- Modelle und Gewichte speichern und laden
- Trainingsprozess überwachen mit TensorBoard oder MLflow
- Daten mit Pandas einlesen, bereinigen und vorbereiten
- Kategoriale Variablen kodieren und Daten standardisieren
- Bild- und Textdaten für neuronale Netze aufbereiten
- Besonderheiten der Bildverarbeitung
- Funktionsweise translationsinvarianter Verfahren
- Konvolutionale Layer (CNN) aufbauen und trainieren
- Data Augmentation
- Vortrainierte Modelle für die Bildklassifikation einsetzen
- Objekterkennung mit YOLO und Segmentierung im Überblick
- Besonderheiten der Analyse von Sequenzdaten
- Worteinbettungen (Embeddings)
- Rekurrente Netze (RNN) und LSTM im Überblick
- Das Attention-Prinzip und Self-Attention
- Aufbau der Transformer-Architektur: Encoder und Decoder
- Tokenisierung
- Encoder-Modelle wie BERT und Decoder-Modelle wie GPT
- Vision Transformer im Überblick
- Das Hugging-Face-Ökosystem: Hub,
transformersunddatasets - Vortrainierte Modelle mit Pipelines nutzen
- Fine-Tuning für eigene Aufgaben
- Parameter-effizientes Fine-Tuning mit LoRA
- Das Hugging-Face-Ökosystem: Hub,
- Autoencoder
- Diffusionsmodelle
- Große Sprachmodelle (LLMs)
- Export nach ONNX
- Inferenz optimieren
- Modelle als REST-API bereitstellen