Kursbeschreibung
Dieses viertägige Training vermittelt praxisnah, wie du PyTorch gezielt für anspruchsvolle Machine-Learning-Projekte einsetzt. du lernst, Datensätze effizient zu verarbeiten, Modelle mit TorchServe bereitzustellen und Transfer Learning für spezifische Aufgaben zu nutzen. Im Fokus stehen reale Anwendungsfelder wie Computer Vision, NLP, Objekterkennung, Bildsegmentierung und Textklassifikation. Durch praktische Übungen entwickelst du eigene Modelle und vertiefst dein Verständnis für fortgeschrittene Konzepte wie den Einsatz von Large Language Models. Dieses Seminar bietet eine fundierte Grundlage für den professionellen Umgang mit PyTorch in modernen KI-Projekten.
Die wichtigsten Themen im Überblick
- PyTorch praxisnah anwenden
- Tensoren und CUDA nutzen
- Datensätze effizient bauen
- Modelle trainieren und testen
- Transfer Learning einsetzen
- Computer Vision umsetzen
Zielgruppe
- Softwareentwickler
- KI-Entwickler
- Machine-Learning-Ingenieure
- Data Scientists
- Data Engineers
- Technische Fachkräfte, die Deep-Learning-Modelle mit PyTorch entwickeln und produktiv einsetzen möchten
Voraussetzung für die Schulung
Für eine erfolgreiche Teilnahme solltest du über Grundkenntnisse im Machine Learning verfügen, sicher in Python programmieren und Basiswissen in den Bereichen Computer Vision und Natural Language Processing mitbringen.
Kursinhalte
Einführung in PyTorch und das Deep-Learning-Ökosystem
- PyTorch-Architektur und Werkzeuge
- Überwachtes und unüberwachtes Lernen
- Tensoren, Devices und CUDA
Datensätze und Datenverarbeitung
- Erstellung eigener Datasets
- Dataloader und Datapipes
- Datenaufbereitung und Transformationen
- Nutzung von Hugging-Face-Datasets
Training und Evaluierung von Modellen
- Loss Functions und Optimizer
- Training Loops und Modellverbesserung
- Validierung und Metriken
- Speichern und Laden von Modellen
Transfer Learning und vortrainierte Modelle
- Torch Hub und Modell-Repositories
- Fine-Tuning bestehender Modelle
- Feature Extraction
- Einsatz vortrainierter Architekturen
Computer Vision mit PyTorch
- Bildklassifikation
- Objekterkennung
- Bildsegmentierung
- Keypoint Detection
- Zero-Shot-Klassifikation
Natural Language Processing
- Textklassifikation und Sentiment Analysis
- Word Embeddings
- Transformer-basierte Modelle
- Hugging-Face-Pipelines
- Textzusammenfassung und Question Answering
Large Language Models und Semantic Search
- Einsatz von LLMs
- Bewertung von Modellantworten
- Halluzinationen erkennen und reduzieren
- Vector Databases und Semantic Search
Deployment mit TorchServe
- Modellarchivierung
- Bereitstellung und Verwaltung von Modellen
- Validierung und produktionsnahe Einsatzszenarien
