Skalierbare und leistungsfähige Deep Learning-Anwendungen erfordern eine systematische Vorbereitung von Daten und Modellen. Der Kurs vermittelt zentrale Methoden zur Entwicklung und Optimierung neuronaler Netzwerke auf Basis strukturierter Datenverarbeitung.

Datenmanagement und Feature Engineering

Ein Schwerpunkt liegt auf der Konzeption automatisierter Datenpipelines. Teilnehmende entwickeln Workflows zur Harmonisierung und Transformation großer Datensätze, um eine effiziente Integration in Deep Learning-Modelle sicherzustellen.

  • SQL wird genutzt, um Trainingsdaten gezielt aufzubereiten. Mit Joins, Aggregationen und angepassten Abfragen lassen sich große Datenmengen strukturiert verarbeiten und für neuronale Architekturen vorbereiten.
  • Explorative Datenanalysen und statistische Verfahren dienen der Identifikation relevanter Merkmale und Zusammenhänge. Diese Erkenntnisse fließen gezielt in das Feature Engineering und die Feinabstimmung von Modellen ein.

Modellarchitekturen und Optimierung

Abschließend befassen sich die Teilnehmenden mit zentralen Architekturmustern des Deep Learning. Behandelt werden unter anderem:

  • Convolutional Neural Networks (CNNs)
  • Recurrent Neural Networks (RNNs)
  • Hyperparameter-Tuning
  • Einsatz von Transfer Learning zur Effizienzsteigerung bei der Modellentwicklung

Visualisierung

Die Visualisierung von Modellmetriken erfolgt über Power BI. Mithilfe interaktiver Dashboards und DAX-Funktionen werden Trainingsverläufe und Auswertungsergebnisse verständlich dargestellt, um datenbasierte Entscheidungen nachvollziehbar zu unterstützen.