Python Deep-Dive Kurs: Deep Learning, Neuronale Netze und Visualisierung

Machine Learning und Deep Learning

• Machine Learning und Deep Learning
• Perzeptron und neuronale Netze
• Features, Labels und Trainingsdaten
• Möglichkeiten und Grenzen lernender Modelle
• Anwendungsfälle für Bilder und Texte

Python-Werkzeuge für Modelldaten

• Python-Konzepte für die Datenverarbeitung
• Numerische Berechnungen mit NumPy
• Tabellendaten mit Pandas bearbeiten
• Wissenschaftliche Funktionen aus SciPy
• Daten und Ergebnisse mit Matplotlib

Perzeptron und mathematische Grundlagen

• Maschinelles Lernen ohne ML-Bibliotheken
• Skalarprodukte und Heaviside-Funktion
• Gewichte mit Delta-Regeln anpassen
• Bias und Aktivierungswerte
• Lernrate und Trainingsverhalten
• Eingabe- und Ausgabeneuronen

Datenaufbereitung und Datensätze

• Trainingsdaten auf Eignung prüfen
• Abweichungen und Ungereimtheiten erkennen
• Numerische Features standardisieren
• Kategorische Daten vektorisieren
• CSV-Dateien und Tabellen aufbereiten
• Texte für das Training vorbereiten
• Bilder für Klassifikationen vorbereiten
• Trainings-, Validierungs- und Testsets trennen

Neuronale Netze mit TensorFlow

• TensorFlow-2-Architektur und Ausführungsmodell
• Schichten zu Netzwerken verbinden
• Überwachtes Lernen mit neuronalen Netzen
• Verlustfunktionen und Optimierer auswählen
• Modelle kompilieren und trainieren
• Bildklassifikation und Mustererkennung
• Textanalyse mit neuronalen Netzen

Modellierung mit Keras

• Keras 3 mit TensorFlow-Backend
• Sequential-Modelle für lineare Architekturen
• Geeignete Netzwerkarchitekturen auswählen
• tf.data-Datensätze verarbeiten
• Unüberwachte Modellansätze vergleichen
• Generative Modellansätze im Überblick
• Modelle speichern und erneut laden

Validierung und Hyperparameter

• Trainings- und Validierungsfehler vergleichen
• Overfitting und Underfitting erkennen
• Modellqualität anhand von Metriken prüfen
• Lernrate und Batch-Größe variieren
• Hyperparameter mit KerasTuner suchen
• Modellvarianten nachvollziehbar vergleichen

Visualisierung und Rechenleistung

• Datenverteilungen mit Matplotlib untersuchen
• Trainingsverläufe grafisch vergleichen
• Vorhersagen und Modellfehler visualisieren
• Verfügbare GPU-Geräte prüfen
• tf.data-Pipelines beschleunigen
• Ressourcenengpässe bei Trainingsläufen erkennen
• Machbarkeit und Ressourcenbedarf abschätzen

• Gute Programmierkenntnisse in Python
• Sicherer Umgang mit Funktionen, Modulen und Datenstrukturen
• Grundverständnis für Statistik und lineare Algebra hilfreich
• NumPy- oder Pandas-Erfahrung hilfreich, aber nicht zwingend
• Python-Einstieg über den Python 3 Grundkurs intensiv
• ML-Grundlagen über den Python Machine Learning Grundkurs

• Softwareentwickler mit guten Python-Kenntnissen
• Data Scientists mit ersten Machine-Learning-Projekten
• Data Analysts mit Aufgaben in Modellierung und Datenaufbereitung
• Fachkräfte mit ersten ML-Erfahrungen, die neuronale Netze vertiefen möchten