Deep Learning mit PyTorch

In nur drei Tagen lernst du von Grund auf, wie Deep Learning funktioniert, und baust deinen eigenen Bildklassifikator. Der Workshop nimmt dich mit auf eine praktische Reise: Du verstehst, wie neuronale Netze unter der Haube arbeiten, lernst PyTorch als dein Werkzeug kennen, trainierst Modelle mit echten Daten und baust am Ende eine vollstaendige CNN Pipeline, die Bilder erkennt. Jedes Konzept wird von Null an mit Live Code Beispielen erklaert. Keine Vorkenntnisse in Machine Learning erforderlich.

Tag 1: Neuronale Netze verstehen und deine PyTorch Werkzeugkiste

Vormittag: Neuronale Netze von Grund auf. Was ist ein Neuron? Wie lernen Schichten einfacher Rechenoperationen, Muster zu erkennen? Du baust ein kleines neuronales Netz von Hand (nur Python und NumPy), damit du Forward Passes, Aktivierungsfunktionen und Backpropagation wirklich verstehst, bevor Framework Magie ins Spiel kommt.

Nachmittag: PyTorch Grundlagen. Jetzt wo du weisst, was unter der Haube passiert, lernst du PyTorch als dein Powertool. Tensoren (mehrdimensionale Arrays auf Steroiden), automatische Differentiation (autograd erledigt die Mathematik fuer dich) und nn.Module (der Baustein fuer jedes Modell, das du je schreiben wirst).

Tag 2: Echte Modelle trainieren

Vormittag: Training neuronaler Netze. Du lernst, wie Modelle tatsaechlich lernen: Loss Funktionen (wie falsch ist meine Vorhersage?), Gradientenabstieg (wie werde ich weniger falsch?) und Overfitting (warum merkt sich mein Modell auswendig statt zu generalisieren?). Viele Live Experimente, bei denen du Trainingskurven in Echtzeit beobachtest.

Nachmittag: Baue deinen ersten MNIST Klassifikator. Zeit alles zusammenzusetzen. Du laedst den beruehmten Handschriften Datensatz, baust ein neuronales Netz von Grund auf in PyTorch, trainierst es, evaluierst es und siehst zu, wie es Ziffern erkennt, die du selbst zeichnest.

Tag 3: Convolutional Neural Networks fuer Bilder

Vormittag: CNNs fuer Bildverstaendnis. Warum tun sich normale neuronale Netze schwer mit Bildern? Du lernst Faltungen (gleitende Filter die Kanten, Texturen und Formen erkennen), Pooling (macht dein Modell robust gegenueber Positionsaenderungen) und wie man diese zu Architekturen stapelt, die Bilder sehen wie Menschen.

Nachmittag: Image Training Pipelines bauen. Das grosse Finale. Du baust eine vollstaendige Bildklassifikations Pipeline: echte Bilddatensaetze laden, Data Augmentation anwenden (Spiegeln, Drehen, Farbveraenderungen fuer mehr Trainingsdaten gratis), ein CNN trainieren, Performance evaluieren und Transfer Learning nutzen fuer State of the Art Ergebnisse mit minimalen Daten.