Python mit Tensorflow: Grundkurs

Grundlagen von Machine Learning und Deep Learning

• Prinzip neuronaler Netzwerke
• Maschinelles Lernen und Deep Learning
• Big-Data-Grundlagen mit Python
• Trainingsdaten, Labels und Features

Datenarbeit mit Python

• numpy-Vektoren und Matrizen
• Broadcasting in numpy
• Datenaufbereitung mit pandas
• Datenvisualisierung mit matplotlib und seaborn

Einstieg in TensorFlow und Keras

• TensorFlow-Aufbau und Komponenten
• Keras als High-Level-API
• Layer, Modelle und Trainingsschleifen
• Aktivierungsfunktionen und Optimierer

Training, Evaluation und Regularisierung

• Loss-Funktionen und Metriken
• Training einfacher neuronaler Netze
• TensorBoard für Trainingsverläufe
• Dropout und Early Stopping

Architekturen und Wiederverwendung

• Transfer Learning mit vortrainierten Modellen
• CNN-Grundlagen mit Beispielen
• RNNs und LSTMs optional
• Modellqualität und Overfitting

Export, Deployment und Performance

• .keras-Modellspeicherung für Keras
• TensorFlow Export und SavedModel
• GPU-Nutzung und Performance-Hinweise
• Ausblick auf TensorFlow Lite und TensorFlow.js

• Sichere Python-Grundlagen, etwa Datentypen, Funktionen, Schleifen, Module und Arbeit mit Paketen
• Grundverständnis für tabellarische Daten und einfache Datenanalyse
• Mathematische Basiskenntnisse zu Funktionen, Vektoren und Matrizen sind hilfreich
• Für unsichere Python-Kenntnisse empfiehlt sich vorab der Python Aufbaukurs

• Software-Entwicklerinnen und Software-Entwickler mit Python-Erfahrung, die Deep-Learning-Modelle mit TensorFlow umsetzen möchten
• Angehende Data-Scientists mit Grundkenntnissen in Python und Interesse an neuronalen Netzen
• Data-Analystinnen und Data-Analysten, die von Datenaufbereitung in Richtung Modelltraining wechseln
• IT-Fachkräfte aus Daten-, Analyse- oder Prototyping-Projekten mit Bedarf an TensorFlow-Grundlagen