Deep Learning mit Python für Data Scientists

Kursdetails ansehen

3 Tage

23 Standorte

Online & Präsenz

Nächster Termin: 11. – 13.01.2027 · 143 weitere verfügbar

ab 1.740,00 € zzgl. 19 % MwSt.

Weitere Termine & Buchungsoptionen

Mehr als 5.000 Unternehmen vertrauen uns

Das lernst Du

Du ordnest einen zentralen Themenbereich fachlich ein: Grundbegriffe: Machine Learning, Deep Learning, Neuronale Netze, AI, Perzeptron.
Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Einrichten der Python-Umgebung mit SciPy, Keras, TensorFlow und weiteren Tools.
Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Crashkurs: NumPy und Pandas.
Du analysierst typische Anforderungen und vertiefst dabei Verständnis maschinellen Lernens ohne externe Bibliotheken.
Du bewertest Nutzen, Qualität und Risiken am Beispiel Das Perzeptron als Basis-Modell.
Du überträgst die Erkenntnisse auf eigene Projekte; ein Schwerpunkt ist Mathematische Grundlagen: Skalarprodukte, Heaviside-Funktion, Delta-Regel.

Überblick

Deep Learning mit Python eröffnet Dir den Zugang zu leistungsfähigen Verfahren der Künstlichen Intelligenz und datenbasierten Modellentwicklung. In diesem dreitägigen Training lernst Du zentrale Begriffe wie Machine Learning, Deep Learning, neuronale Netze und Perzeptron kennen und ordnest ihre Zusammenhänge fachlich ein. Du richtest eine geeignete Python-Umgebung mit SciPy, Keras, TensorFlow und weiteren Werkzeugen ein und schaffst damit die technische Grundlage für praktische Anwendungen. Ein kompakter Einstieg in NumPy und Pandas vermittelt Dir zudem wichtige Kenntnisse für die Verarbeitung und Analyse von Daten. Praxisnahe Übungen und konkrete Anwendungsfälle helfen Dir, strukturierte Workflows aufzubauen, Ergebnisse nachvollziehbar zu prüfen und typische Fehler frühzeitig zu erkennen. Dabei berücksichtigst Du neben der technischen Umsetzung auch Qualität, Sicherheit, methodische Grenzen und den verantwortungsvollen Einsatz von KI. Nach dem Training kannst Du Anforderungen an Deep-Learning-Projekte besser einschätzen und geeignete nächste Schritte für eigene Vorhaben oder Dein Team fundiert planen.

Kursinhalte

Einführung & Überblick

Grundbegriffe: Machine Learning, Deep Learning, Neuronale Netze, AI, Perzeptron
Einrichten der Python-Umgebung mit SciPy, Keras, TensorFlow und weiteren Tools
Crashkurs: NumPy und Pandas

Machine Learning Grundlagen

Verständnis maschinellen Lernens ohne externe Bibliotheken
Das Perzeptron als Basis-Modell
Mathematische Grundlagen: Skalarprodukte, Heaviside-Funktion, Delta-Regel

Datenaufbereitung & Parameterwahl

Neuronen mit Bias, Eingabe- und Ausgabeschichten, Lernrate und Training
Datenvisualisierung mit Matplotlib und Pandas
Auswahl geeigneter Trainings- und Testdaten

Neuronale Netze mit TensorFlow

Erkennen von Abweichungen und Varianzen
Daten vektorisieren und standardisieren
Arbeiten mit CSV-, Text- und Bilddateien sowie weiteren Datenquellen

Deep Learning & Keras

Architektur und Aufbau neuronaler Netze
Arbeiten mit TensorFlow 2.0
Überwachtes Lernen: von Bildklassifizierung bis Textverständnis

Ergebnisse prüfen und verbessern

Validierung und Optimierung eigener Modelle
Aktuelle Trends und Anwendungsfelder
Unüberwachtes Lernen und verschiedene Netzwerktypen

Sicherheit, Qualität und Grenzen

Arbeit mit Keras-Datasets und Modellen
Training, GPU-Optimierung, Modellkonfiguration und Hyperparameter-Tuning mit KerasTuner
Durchgehende Praxisbeispiele – von der Datenaufbereitung bis zur Visualisierung fertiger Modelle

Zusammenarbeit und Übergabe

Zentrale Begriffe und Einsatzfelder von Deep Learning mit Python
Anforderungen aus typischen beruflichen Aufgaben einordnen
Geeignete Vorgehensweisen für konkrete Anwendungsfälle auswählen

Praxisübungen und Transfer

Ergebnisse fachlich prüfen und nachvollziehbar dokumentieren
Risiken, Grenzen und Qualitätskriterien berücksichtigen
Transfer auf eigene Projekte und Teamprozesse vorbereiten

Vertiefende Verfahren

Ausgangslage und Zielsetzung eines Anwendungsfalls klären
Arbeitsschritte sinnvoll priorisieren und aufeinander abstimmen
Zwischenergebnisse anhand fachlicher Kriterien kontrollieren

Zielgruppe & Voraussetzungen

Für wen der Kurs geeignet ist

Data Scientists, Analystinnen und Analysten
KI-, Machine-Learning- und Data-Engineering-Teams
Fach- und Führungskräfte mit datenbezogenen Aufgaben
Für alle, die Daten und Modelle fundiert bewerten oder einsetzen möchten

Deine Vorteile

Garantierte TermineMarkierte Termine finden statt und bieten 10 % Preisvorteil.
Kleine GruppenMaximal 8 Teilnehmende für intensiven Austausch und nachhaltigen Lernerfolg.
Praxiserfahrene Trainer:innenBerufsrelevante Fachexpertise aus langjähriger Praxiserfahrung.
Keine HybridschulungenBewusst live online oder in Präsenz – für eine klare, fokussierte Lernumgebung.

FAQ

Was lerne ich in der Schulung „Deep Learning mit Python für Data Scientists“?

Du lernst, Deep Learning mit Python in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten. Zu den Schwerpunkten gehören Einführung & Überblick, Machine Learning Grundlagen, Datenaufbereitung & Parameterwahl, Neuronale Netze mit TensorFlow, Deep Learning & Keras und Ergebnisse prüfen und verbessern.

Für wen ist die Schulung geeignet?

Die Schulung richtet sich an Data Scientists, Analystinnen und Analysten, KI-, Machine-Learning- und Data-Engineering-Teams, Fach- und Führungskräfte mit datenbezogenen Aufgaben und Für alle, die Daten und Modelle fundiert bewerten oder einsetzen möchten.

Welche Vorkenntnisse brauche ich für die Schulung?

Du solltest folgende Voraussetzungen mitbringen: Gute Programmierkenntnisse, idealerweise in Python (Verständnis wichtiger als Schreibpraxis).

Welche Themen und Schwerpunkte werden behandelt?

Zu den Schwerpunkten gehören Einführung & Überblick, Machine Learning Grundlagen, Datenaufbereitung & Parameterwahl, Neuronale Netze mit TensorFlow, Deep Learning & Keras, Ergebnisse prüfen und verbessern, Sicherheit, Qualität und Grenzen und Zusammenarbeit und Übergabe.

Wie praxisnah ist die Schulung?

Die Schulung greift praxisnah insbesondere die Bereiche Zusammenarbeit und Übergabe, Praxisübungen und Transfer und Vertiefende Verfahren auf. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben und Projekte übertragen.

Was kann ich nach dem Seminar in der Praxis umsetzen?

Zu den angestrebten Ergebnissen gehören: Du ordnest einen zentralen Themenbereich fachlich ein: Grundbegriffe: Machine Learning, Deep Learning, Neuronale Netze, AI, Perzeptron; Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Einrichten der Python-Umgebung mit SciPy, Keras, TensorFlow und weiteren Tools; Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Crashkurs: NumPy und Pandas; Du analysierst typische Anforderungen und vertiefst dabei Verständnis maschinellen Lernens ohne externe Bibliotheken; Du bewertest Nutzen, Qualität und Risiken am Beispiel Das Perzeptron als Basis-Modell.

Wird im Seminar auch das Thema „Ergebnisse prüfen und verbessern“ behandelt?

Ja. „Ergebnisse prüfen und verbessern“ ist ein eigener Bestandteil der Schulung. Dazu gehören Validierung und Optimierung eigener Modelle, Aktuelle Trends und Anwendungsfelder und Unüberwachtes Lernen und verschiedene Netzwerktypen.

Deep Learning mit Python für Data Scientists

Kursdetails

Einführung & Überblick

Machine Learning Grundlagen

Datenaufbereitung & Parameterwahl

Neuronale Netze mit TensorFlow

Deep Learning & Keras

Ergebnisse prüfen und verbessern

Sicherheit, Qualität und Grenzen

Zusammenarbeit und Übergabe

Praxisübungen und Transfer

Vertiefende Verfahren

Für wen der Kurs geeignet ist

Kurs buchen oder anfragen

Access

Active Directory

After Effects

Angular

Azure Security

Blender

C#

C++

Canva

Cinema 4D

Clean Code

CorelDRAW

DaVinci Resolve

Design Thinking

Docker

Figma

Generatives Design

GitHub

Go

Google Ads

Illustrator

InDesign

Java

JavaScript

jQuery

KI im Finance & Controlling

KI im HR & Recruiting

KI im Projektmanagement

KI im Vertrieb

KI-Sicherheit

Kubernetes

LinkedIn

Microsoft Teams

MongoDB

MySQL

Node.js

OneNote

Oracle

Outlook

Photoshop