Deep Learning mit Python und Pytorch

Grundlagen und Einführung

• Ursprung und Entwicklungsgeschichte von Python

• Aktuelle Einsatzgebiete der Sprache

• Installation und Einrichtung

• Unterstützung durch Entwicklungsumgebungen (z. B. Visual Studio Code, PyCharm)

• Arbeiten mit Jupyter Notebooks

• Cloud-basierte Umgebungen: Google Colab, AWS Sagemaker

• Erste praktische Tour durch die Sprache

Zentrale Sprachkonzepte

• Überblick über Datentypen

• Kontrollstrukturen zur Ablaufsteuerung

• Funktionen und anonyme Lambda-Funktionen

• Klassen, Objekte und deren Verwendung

• Konzepte der Vererbung

• Fehler- und Ausnahmebehandlung

• Nutzung von Modulen

• Standardbausteine wie Dateioperationen, reguläre Ausdrücke u. a.

Numpy und weitere Bibliotheken

• Typische Anwendungsfelder

• Datentypen in Numpy

• Grundlegende Operationen

• Indizierung und Zugriffstechniken

• Broadcasting-Mechanismen

• Datenvisualisierung mit Matplotlib

• Einführung in Pandas und Seaborn

Lineare und logistische Regression

• Beschreibung der Problemstellung

• Umsetzung mit Python und Numpy

• Mathematischer Hintergrund

• Gradient Descent: Intuition und Herleitung

• Verlustfunktionen und deren mathematische Diskussion

• Erweiterung zur logistischen Regression für Klassifikationsaufgaben

Arbeiten mit PyTorch

• Entwicklungsgeschichte des Frameworks

• Tensoren als Basiselement und Operationen darauf

• Dimensionierung und deren Bedeutung im Detail

• Umsetzung linearer und logistischer Regression in PyTorch

• Umgang mit Dataset und DataLoader

• Verwendung gängiger Standarddatensätze (z. B. MNIST, FashionMNIST)

• Aufbau von Multi-Layer-Perceptrons

• Nutzung von nn.Module als zentrale Bausteine

• Auswahl und Einsatz von Lossfunktionen und Optimierern

• Struktur einer Trainingsschleife mit Validation Set

• Durchführung von Vorhersagen (Prediction)