Dieser Kurs vermittelt zentrale Konzepte und Verfahren zur Vorbereitung, Entwicklung und Optimierung neuronaler Netzwerke im Kontext datengetriebener Anwendungen.
Datenanalyse und -aufbereitung- Ein Fokus liegt auf der Analyse und Aufbereitung von Daten.
- Die Teilnehmenden bereinigen Datensätze, führen explorative Analysen durch und identifizieren aussagekräftige Merkmale, die als Grundlage skalierbarer Deep Learning-Modelle dienen.
Datenverarbeitung mit SQL
- SQL wird eingesetzt, um große Datenmengen strukturiert zu verarbeiten und für Trainingszwecke aufzubereiten.
- Durch optimierte Abfragen, Joins und Aggregationen entstehen leistungsfähige Datenstrukturen, die sich für den Einsatz in modellbasierten Lernsystemen eignen.
Visualisierung und Kommunikation
- Zur Visualisierung von Modelloutput und Analyseergebnissen kommt Power BI zum Einsatz.
- Interaktive Dashboards und DAX-Funktionen ermöglichen eine verständliche Darstellung von Modellmetriken sowie eine übersichtliche Kommunikation datenbasierter Entscheidungen auf Basis von Deep Learning-Ergebnissen.
Automatisierte Workflows
- Automatisierte Datenpipelines unterstützen die konsistente Verarbeitung von Trainingsdaten und die Integration modellarchitektonischer Komponenten.
- Strukturierte Workflows erhöhen die Effizienz und Reproduzierbarkeit bei der Umsetzung neuronaler Netzwerke.
Deep Learning Techniken
- Abgerundet wird der Kurs durch die Einführung zentraler Deep Learning-Techniken.
- Die Teilnehmenden arbeiten mit geeigneten Modellarchitekturen, erproben Methoden zum Hyperparameter-Tuning und setzen Transfer Learning ein, um bestehende Netzwerke für neue Anwendungsfälle effizient weiterzuentwickeln.