Pytorch Grundkurs: Deep Learning mit MLP und CNN

Mathematische Grundlagen

• Vektoren und Linearkombinationen
• Matrizen und lineare Transformationen
• Partielle Ableitungen
• Kettenregel und Gradienten
• Geometrische Intuition
• Häufig genutzte Aktivierungsfunktionen

Regression und Optimierung

• Problemstellung der linearen Regression
• Implementierung mit Python und NumPy
• Backpropagation aus erster Hand
• Gradient Descent als Optimierungsverfahren
• Visualisierung mit Matplotlib
• Logistic Regression zur Klassifizierung

PyTorch-Grundlagen

• PyTorch im Deep-Learning-Ökosystem
• Tensoren als zentrale Datenstruktur
• Operationen und Dimensionierung
• Automatische Gradientenberechnung mit Autograd
• nn.Module als Modellbasis
• Loss-Funktionen und Optimizer

Multilayer Perceptrons

• MLP als grundlegender Netzwerktyp
• Schichten, Gewichte und Bias
• Sigmoid, Softmax und ReLU
• SGD und Adam im Vergleich
• Trainingsschleife und Evaluation
• Underfitting und Overfitting

Datenpipelines und Training

• Dataset und DataLoader
• ImageFolder für Bilddaten
• Standard-Datensätze wie MNIST
• Validation-Set und Testlauf
• Visualisierung mit TensorBoard
• GPU-Training und Mixed Precision
• torch.compile als optionale Optimierung

Convolutional Neural Networks

• CNNs zur Bildklassifizierung
• Abgrenzung zu RNN und Transformer
• Bildvorbereitung mit Transforms
• Convolution-Layer im Detail
• Pooling und Feature Maps
• Training mit Google Colab
• ImageNet und vortrainierte Modelle
• AlexNet, VGG, ResNet und ResNeXt
• EfficientNet als aktuelle CNN-Architektur
• Transfer Learning und Fine-Tuning
• Autoencoder als Erweiterung

• Sichere Python-Kenntnisse, idealerweise auf Niveau des Python Aufbaukurs
• Erfahrung mit NumPy
• Routine im Umgang mit Jupyter-Notebooks
• Grundverständnis für Arrays, Funktionen und objektorientierte Programmierung
• Machine-Learning-Erfahrung ist nicht erforderlich

• Python-Entwicklerinnen und Python-Entwickler mit Interesse an Deep-Learning-Modellen
• Data-Science-Fachkräfte, die PyTorch für MLPs und CNNs einsetzen möchten
• Softwareentwicklerinnen und Softwareentwickler, die Bildklassifizierung mit CNNs verstehen und prototypisch umsetzen wollen
• Technische Projektmitarbeitende, die Trainingsläufe, Modellmetriken und typische Fehlerbilder fundiert beurteilen müssen