PyTorch Deep Learning für ML-Entwickler

Lineare und logistische Regression

• Einführung in die Problemstellung
• Implementierung mit Python und NumPy
• Backpropagation und Gradient Descent

Mathematische Grundlagen

• Visualisierung mit Matplotlib
• Erweiterung zur logistischen Regression für Klassifizierungsaufgaben
• Vektoren, Matrizen und lineare Transformationen

Neural Networks mit PyTorch

• Partielle Ableitungen und Analysis in höheren Dimensionen
• Kettenregel, wichtige Funktionen und geometrische Intuition
• Historischer Überblick über PyTorch

Convolutional Neural Networks (CNN)

• Tensoren als Basistyp und automatische Gradientenberechnung
• Datenverarbeitung mit DataSet, DataLoader und ImageFolder
• Arbeit mit Standarddatensätzen wie MNIST

Workflows aufbauen und steuern

• Aufbau neuronaler Netze mit nn.Module
• Multilayer Perceptron: Struktur und Funktionsweise
• Aktivierungsfunktionen (Sigmoid, Softmax, ReLU u. a.)

Ergebnisse prüfen und verbessern

• Loss-Funktionen und Optimizer (SGD, Adam usw.)
• Trainings- und Validierungsschleifen, Umgang mit Over- und Underfitting
• Visualisierung der Ergebnisse mit TensorBoard

Sicherheit, Qualität und Grenzen

• Grundlagen und Einsatz bei Bildklassifizierung
• Datenaufbereitung mit Transforms
• Aufbau und Training von Convolution-Layern in PyTorch

Zusammenarbeit und Übergabe

• GPU-gestütztes Training, z. B. in Google Colab
• Überblick über wichtige Architekturen: AlexNet, VGG, ResNet, ResNeXt
• Transfer Learning und Autoencoder

Praxisübungen und Transfer

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

Vertiefende Verfahren

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

Integration in bestehende Prozesse

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

Betrieb und Weiterentwicklung

• Varianten vergleichen und begründete Entscheidungen treffen
• Schnittstellen zu bestehenden Prozessen berücksichtigen
• Aufgaben und Verantwortlichkeiten im Team abstimmen

Strategische Einordnung

• Ergebnisse verständlich aufbereiten und weitergeben
• Typische Fehlerquellen erkennen und systematisch eingrenzen
• Geeignete Maßnahmen zur Qualitätssicherung auswählen

Abschluss und nächste Schritte

• Erfahrungen aus Übungen auf eigene Anforderungen übertragen
• Nächste Umsetzungsschritte realistisch festlegen
• Nachhaltige Standards für die weitere Arbeit entwickeln