Teilnahmeanfrage

In dieser 4-tägigen Schulung lernen Sie praxisnah, wie Sie PyTorch effektiv einsetzen können. Die Inhalte konzentrieren sich auf verschiedene Anwendungsbereiche und decken dabei unter anderem folgende Themen ab:

Einführung in PyTorch und sein Ökosystem
Erstellung und Verarbeitung von Datensätzen
Training und Bereitstellung von Modellen mit TorchServe
Anwendung von Transfer Learning für spezifische Aufgaben

Praxisnahe Anwendungsfälle wie Computer Vision, Natural Language Processing (NLP), Objekterkennung, Bildsegmentierung und Textklassifikation stehen im Mittelpunkt. Durch Hands-on-Übungen entwickeln und bewerten Sie eigene Modelle und vertiefen Ihr Verständnis. Fortgeschrittene Themen wie der Einsatz von Large Language Models (LLMs) werden ebenfalls ausführlich behandelt.

Leistungsumfang:

inkl. Offizielle Schulungsumgebung (LAB)
inkl. Verpflegung bei Präsenz
zzgl. Offizielle Linux Foundation-Unterlage (digital, engl.) à 700 € netto pro Person
zzgl. Prüfungsvoucher. Bei der Buchung ist ein zweiter Prüfungsversuch (Retake) kostenfrei inklusive, auf Wunsch separat erhältlich (345,00 €)Einführung in PyTorch, Datensätze und Modelle

• PyTorch und sein Ökosystem
• Überwachtes vs. unüberwachtes Lernen
• Einführung in Tensoren, CUDA und Umgebungen

Erstellung und Verarbeitung von Datensätzen

• Datensätze und Dataloader
• Transformationen und Datapipes

Training und Evaluierung von Modellen

• Modelle, Loss Functions, Optimizer und Training Loops
• Speichern, Laden und Bewerten von Modellen

Transfer Learning und vortrainierte Modelle

• Torch Hub und vortrainierte Modelle
• Anwendung auf Computer Vision und NLP

Deep Learning für Computer Vision

• Objekterkennung, Bildsegmentierung und Keypoint-Erkennung
• Zero-Shot-Bildklassifikation mit vortrainierten Modellen

Natural Language Processing (NLP)

• Textklassifikation, Word Embeddings und Transformer-Modelle
• Hugging Face Pipelines für NLP-Aufgaben

Modellbereitstellung mit TorchServe

• Archivierung und Bereitstellung von Modellen

Fortgeschrittene Themen: Large Language Models (LLMs)

• Anwendung und Bewertung von LLMs
• Nutzung in Generativen Modellen und Semantic Search