Teilnehmende lernen, moderne Techniken und Werkzeuge einzusetzen, um neuronale Netzwerke effizient zu entwickeln und gezielt zu verbessern.

Datenpipelines und Workflows
  • Datenpipelines automatisieren die Verarbeitung großer Datenmengen für Deep Learning.
  • Entwicklung effizienter Workflows zur Datenharmonisierung und Transformation.
  • Vorbereitung neuronaler Netzwerke für zuverlässiges Training und skalierbare Anwendungen.

Datenverwaltung mit SQL
  • SQL ermöglicht die strukturierte Analyse und Verwaltung von Modelldaten.
  • Verarbeitung großer Trainingsdatensätze durch optimierte Abfragen, Joins und Aggregationen.
  • Gezielte Vorbereitung der Daten für Modelloptimierungen.

Visualisierung und Analyse mit Power BI
  • Power BI erleichtert die Visualisierung komplexer Deep Learning-Analysen.
  • Darstellung von Trainingsmetriken mithilfe interaktiver Dashboards und DAX-Funktionen.
  • Durchführung datengetriebener Modellbewertungen und Erkennung von Optimierungspotenzialen.

Explorative Datenanalyse und Feature Engineering
  • Explorative Datenanalyse unterstützt die Identifikation relevanter Muster und Merkmale.
  • Verbesserung der Qualität von Deep Learning-Modellen durch statistische Methoden und gezieltes Feature Engineering.

Deep Learning Frameworks und Modelloptimierung
  • Neuronale Netzwerke steigern die Effizienz von KI-Anwendungen.
  • Training von Deep Learning-Modellen mit modernen Frameworks.
  • Anwendung von Hyperparameter-Tuning.
  • Gezielte Anpassung neuronaler Architekturen an spezifische Anwendungsfälle.