AI Engineering: Neuronale Netzwerke mit PyTorch entwickeln und deployen

Herzlich willkommen in der spannenden Welt des Deep Learning!

In diesem spannenden und praxisnahen Kurs werden Ihnen die grundlegenden Konzepte und Techniken der künstlichen Intelligenz vermittelt.

Dabei fokussieren wir uns speziell auf Deep Learning mit Python und PyTorch, einem der beliebtesten Frameworks für maschinelles Lernen. Sie lernen nicht nur die theoretischen Grundlagen, sondern wenden Ihr Wissen auch direkt an, indem Sie reale Anwendungen entwickeln und trainieren, von der Bilderkennung bis hin zur natürlichen Sprachverarbeitung.

Neben der Erstellung von neuronalen Netzwerken wird auch erlernt, wie diese veröffentlicht werden können (Deployment), so dass Nutzer bzw. Apps diese verwenden können.

Am Ende des Kurses werden Sie in der Lage sein, eigene Deep-Learning-Modelle zu erstellen und diese in der Praxis erfolgreich einzusetzen. Lassen Sie uns gemeinsam in die faszinierende Welt der neuronalen Netze eintauchen!

Ihr Trainer

Mein Name ist Bert Gollnick. Ich bin fasziniert von dieser neuartigen Technologie und all ihren Möglichkeiten. Ich brenne darauf diese mit Dir gemeinsam erkunden zu dürfen. Ich biete seit vielen Jahren Trainings und Online-Kurse zu den Themen R, Python, Machine Learning, Deep Learning, und Generativer KI an. An meinen Kursen haben über 40.000 Studenten weltweit teilgenommen. Neben dieser Expertise habe eine langjährige Erfahrung als Senior Data Scientist vorzuweisen bei einem großen deutschen Energiekonzern und führe auch hier intern seit einigen Jahren Trainings durch.

Lernziel

Der Kurs vermittelt den Teilnehmenden Konzepte und Techniken des Deep Learning, von den theoretischen Grundlagen neuronaler Netze bis hin zur praktischen Implementierung in Python mit PyTorch. Ziel ist es, die Teilnehmenden in die Lage zu versetzen, eigenständig Deep-Learning-Modelle zu entwickeln, zu trainieren und für verschiedene Anwendungsbereiche wie Bild- und Textverarbeitung einzusetzen.

Darüber hinaus wird behandelt wie solche Modelle veröffentlicht (deployed) werden können, um von Nutzern oder Apps genutzt zu werden.

Kursinhalte

Grundsätzlich beginnt der Kurs mit einem Theorieteil und mündet in praktischen Implementierungen mit Python.

1. 1. Einführung in Machine Learning und Deep Learning

• Wie können Computer lernen?
• Was ist Machine Learning und speziell Deep Learning?
• Was sind Tensoren und wie arbeitet man mit Ihnen?
• Wie wird ein neuronales Netzwerk mit PyTorch erstellt?

2. Klassifizierungsmodelle, vor-trainierte Netzwerke

• Grundlagen der Klassifikationsmodelle
• Überblick über vor-trainierte Netzwerke mittels Huggingface
• Anpassung und Optimierung von vor-trainierten Modellen

3. Computer-Vision

• Grundlagen der Bildverarbeitung
• Algorithmen zur Objekt- und Mustererkennung
• Deep Learning für Computer-Vision
• Implementierung von Computer-Vision Modellen zur Bildklassifizierung, und Objekterkennung

4. Natural Language Processing und Large-Language Modelle

• Grundlagen der Sprachverarbeitung
• Algorithmen zur Textklassifikation und Sentiment-Analyse
• Implementierung von NLP-Modellen zur Textgenerierung und -klassifikation
• Nutzung von LLMs wie OpenAI GPT, Meta Llama, …

5. Modell Deployment, weitere Modellarchitekturen

• Was sind REST-APIs?
• Deployment auf dem lokalen Rechner
• Deployment in der Cloud
• Vorstellung weiterer Architekturen wie Graph Neural Network, Generative Adversarial Networks, Autoencoder

Kurszeiten und -durchführung

Der Kurs findet von Montag bis Freitag zwischen 9 und 17 Uhr statt. Insgesamt umfasst der Kurs 40 Unterrichtseinheiten a 45 min, somit 30 Zeitstunden.

• 9:00 - 10:30 Erster Modul-Block
• 10:30 - 11:00 Kaffeepause
• 11:00 - 12:30 Zweiter Modul-Block
• 12:30 - 13:30 Mittagspause
• 13:30 - 15:00 Dritter Modul-Block
• 15:00 - 15:30 Kaffeepause
• 15:30 - 17:00 Vierter Modul-Block

Als Kommunikationsplattform wird Microsoft Teams eingesetzt. Der Einwahllink wird rechtzeitig vor Veranstaltungsbeginn bereitgestellt. Die technischen Voraussetzungen können vor dem Kurs geprüft werden.

Voraussetzungen

• grundlegende Programmierkenntnisse mit Python
• Laptop mit Internetverbindung, Kamera und Mikrofon
• hohe Motivation und Lernbereitschaft :-)

Weitere Information und Fragen

Du hast noch Fragen? Du kannst mich gerne auch über den Button "Weitere Informationen" anfrage.