PyTorch in Practice für ML-Entwickler

Du lernst, PyTorch in Practice in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten.

Kursdetails ansehen

4 Tage

23 Standorte

Online & Präsenz

Nächster Termin: 25. – 28.01.2027 · 143 weitere verfügbar

ab 2.090,00 € zzgl. 19 % MwSt.

Weitere Termine & Buchungsoptionen

Mehr als 5.000 Unternehmen vertrauen uns

Das lernst Du

Du ordnest einen zentralen Themenbereich fachlich ein: Grundlagen von Tensoren, CUDA und Arbeitsumgebungen.
Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Überwachtes vs. unüberwachtes Lernen.
Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Erstellung und Verarbeitung von Datensätzen.
Du analysierst typische Anforderungen und vertiefst dabei Nutzung von Dataloaders, Transformationen und Datapipes.
Du bewertest Nutzen, Qualität und Risiken am Beispiel Aufbau und Training von Modellen.
Du überträgst die Erkenntnisse auf eigene Projekte; ein Schwerpunkt ist Einsatz von Loss Functions, Optimierern und Training Loops.

Überblick

PyTorch praktisch einzusetzen erfordert mehr als das Verständnis einzelner Funktionen – entscheidend ist ein solides Fundament in Tensoren, Lernverfahren und dem Umgang mit eigenen Datensätzen. Diese Schulung vermittelt Dir die Grundlagen von Tensoren, CUDA und der Einrichtung geeigneter Arbeitsumgebungen für PyTorch. Du lernst den Unterschied zwischen überwachtem und unüberwachtem Lernen kennen und erfährst, wie sich eigene Datensätze für das Training von Modellen erstellen und verarbeiten lassen. Anhand praxisnaher Übungen und konkreter Anwendungsfälle entwickelst Du eigene PyTorch-Projekte mit selbst erstellten Datensätzen und erkennst typische Fehlerquellen bei der Arbeitsumgebung und bei der Datenverarbeitung. Die Schulung richtet sich an alle, die PyTorch praktisch in eigenen Projekten einsetzen möchten. Nach dem viertägigen Training kannst Du eigene PyTorch-Projekte strukturiert entwickeln und die Ergebnisse sicher in bestehende Entwicklungsprozesse übertragen.

Kursinhalte

PyTorch in Practice fachlich einordnen

Grundlagen von Tensoren, CUDA und Arbeitsumgebungen
Überwachtes vs. unüberwachtes Lernen
Erstellung und Verarbeitung von Datensätzen

Grundlagen und zentrale Methoden

Nutzung von Dataloaders, Transformationen und Datapipes
Aufbau und Training von Modellen
Einsatz von Loss Functions, Optimierern und Training Loops

Werkzeuge und Arbeitsumgebung

Modelle speichern, laden und evaluieren
Nutzung von Torch Hub
Zero-Shot-Bildklassifikation und spezifische Anpassungen

Anwendungsfälle strukturiert bearbeiten

Bildklassifikation, Objekterkennung, Segmentierung, Keypoint Detection
Textklassifikation, Embeddings und Transformer-Modelle
Arbeiten mit Hugging Face Pipelines

Workflows aufbauen und steuern

Modellarchivierung und produktive Bereitstellung
Einsatz von Large Language Models (LLMs)
Generative Modelle und Semantic Search

Ergebnisse prüfen und verbessern

Zentrale Begriffe und Einsatzfelder von PyTorch in Practice
Anforderungen aus typischen beruflichen Aufgaben einordnen
Geeignete Vorgehensweisen für konkrete Anwendungsfälle auswählen

Sicherheit, Qualität und Grenzen

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

Zusammenarbeit und Übergabe

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

Praxisübungen und Transfer

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

Vertiefende Verfahren

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

Integration in bestehende Prozesse

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

Zielgruppe & Voraussetzungen

Für wen der Kurs geeignet ist

Softwareentwicklerinnen und Softwareentwickler
Technical Leads, Architektinnen und Architekten
DevOps-, Plattform- und Qualitätssicherungsteams
Für alle, die Anwendungen strukturiert entwickeln und technische Workflows verbessern 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 „PyTorch in Practice für ML-Entwickler“?

Du lernst, PyTorch in Practice in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten. Zu den Schwerpunkten gehören PyTorch in Practice fachlich einordnen, Grundlagen und zentrale Methoden, Werkzeuge und Arbeitsumgebung, Anwendungsfälle strukturiert bearbeiten, Workflows aufbauen und steuern und Ergebnisse prüfen und verbessern.

Für wen ist die Schulung geeignet?

Die Schulung richtet sich an Softwareentwicklerinnen und Softwareentwickler, Technical Leads, Architektinnen und Architekten, DevOps-, Plattform- und Qualitätssicherungsteams und Für alle, die Anwendungen strukturiert entwickeln und technische Workflows verbessern möchten.

Welche Vorkenntnisse brauche ich für die Schulung?

Du solltest folgende Voraussetzungen mitbringen: Grundkenntnisse im Machine Learning; Python-Programmierung auf sicherem Niveau; Basiswissen in Computer Vision und NLP von Vorteil.

Welche Themen und Schwerpunkte werden behandelt?

Zu den Schwerpunkten gehören PyTorch in Practice fachlich einordnen, Grundlagen und zentrale Methoden, Werkzeuge und Arbeitsumgebung, Anwendungsfälle strukturiert bearbeiten, Workflows aufbauen und steuern, Ergebnisse prüfen und verbessern, Sicherheit, Qualität und Grenzen und Zusammenarbeit und Übergabe.

Wie praxisnah ist die Schulung?

Die Schulung greift praxisnah insbesondere die Bereiche Praxisübungen und Transfer, Vertiefende Verfahren und Integration in bestehende Prozesse 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: Grundlagen von Tensoren, CUDA und Arbeitsumgebungen; Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Überwachtes vs. unüberwachtes Lernen; Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Erstellung und Verarbeitung von Datensätzen; Du analysierst typische Anforderungen und vertiefst dabei Nutzung von Dataloaders, Transformationen und Datapipes; Du bewertest Nutzen, Qualität und Risiken am Beispiel Aufbau und Training von Modellen.

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

Ja. „Ergebnisse prüfen und verbessern“ ist ein eigener Bestandteil der Schulung. Dazu gehören Zentrale Begriffe und Einsatzfelder von PyTorch in Practice, Anforderungen aus typischen beruflichen Aufgaben einordnen und Geeignete Vorgehensweisen für konkrete Anwendungsfälle auswählen.

PyTorch in Practice für ML-Entwickler

Kursdetails

PyTorch in Practice fachlich einordnen

Grundlagen und zentrale Methoden

Werkzeuge und Arbeitsumgebung

Anwendungsfälle strukturiert bearbeiten

Workflows aufbauen und steuern

Ergebnisse prüfen und verbessern

Sicherheit, Qualität und Grenzen

Zusammenarbeit und Übergabe

Praxisübungen und Transfer

Vertiefende Verfahren

Integration in bestehende Prozesse

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