Seminarkatalog

• Prinzip und Arbeitsweise eines künstlichen neuronalen Netzwerks
• Überblick über maschinelles Lernen und Deep Learning
• Python für große Datenmengen (Big Data Basics)
• Einstieg in Python numpy: Matrizen, Vektoren, Broadcasting
• Datenanalyse und -vorbereitung mit pandas
• Visualisierung von Daten mit matplotlib und seaborn (Überblick)
• Einführung in TensorFlow: Aufbau, Komponenten und Philosophie
• TensorFlow 2.x vs. ältere Versionen – Keras als High-Level-API
• Aufbau und Training einfacher neuronaler Netzwerke mit Keras
• Verwendung von Aktivierungsfunktionen, Optimierern und Loss-Funktionen
• Evaluierung und Visualisierung der Trainingsfortschritte mit TensorBoard
• Regularisierungsmethoden (Dropout, Early Stopping, etc.)
• Einsatz von vortrainierten Modellen (Transfer Learning)
• Anwendung von Convolutional Neural Networks (CNNs) – Grundlagen und Beispiele
• Einführung in Recurrent Neural Networks (RNNs) und LSTMs (optional, je nach Zielgruppe)
• Modell-Export und -Deployment mit TensorFlow SavedModel
• Tipps zur Performance-Optimierung und GPU-Nutzung
• Ausblick: TensorFlow Lite, TensorFlow.js und AutoML
• Hands-On: Eigene Modelle trainieren und testen

• Python Kenntnisse analog zum Grundkurs

• Software-Entwickler*innen
• Angehende Data-Scientists

D