Effektive Modellbewertung und -optimierung sind entscheidend für den wirkungsvollen Einsatz von Deep Learning. Der Kurs vermittelt zentrale Techniken zur Analyse, Steuerung und Weiterentwicklung neuronaler Netzwerke auf datengetriebener Basis.
Inhalt- Ein Schwerpunkt liegt auf der Entwicklung automatisierter Datenpipelines. Teilnehmende entwerfen strukturierte Workflows zur Harmonisierung und Transformation großer Modelltrainingsdaten, um Trainingsprozesse reproduzierbar und skalierbar zu gestalten.
- SQL wird genutzt, um Trainings- und Validierungsdaten gezielt zu analysieren. Mithilfe optimierter Abfragen, Joins und Aggregationen werden Modellmetriken effizient berechnet und genutzt, um Schwächen im Netzwerk gezielt zu identifizieren und zu beheben.
- Für die Visualisierung von Modellstrukturen und Bewertungsergebnissen kommt Power BI zum Einsatz. Interaktive Dashboards und DAX-Funktionen ermöglichen eine transparente Darstellung von Trainingsverlauf, Fehleranalysen und Performancekennzahlen.
- Explorative Datenanalysen und statistische Verfahren unterstützen die qualitative Bewertung von Modellen. Die Teilnehmenden setzen Analyseergebnisse gezielt für das Feature Engineering ein und verbessern so die Aussagekraft und Robustheit neuronaler Netze.
- Abschließend werden zentrale Optimierungstechniken behandelt. Inhalte sind unter anderem der gezielte Einsatz von Regularisierungsmethoden, die Anpassung von Hyperparametern sowie Konzepte aus dem Transfer Learning zur Steigerung der Modellleistung in verschiedenen Anwendungsszenarien.