In dieser Deep-Learning-Schulung lernst du, wie neuronale Netze aufgebaut sind, wie sie trainiert werden und woran du schlechte Modelle erkennst, und sie richtet sich an Entwickler und Analysten mit Python- und Statistikgrundlagen. Du implementierst kleine Netze mit PyTorch, beobachtest Verlustkurven, setzt Regularisierung ein und vergleichst Modelle anhand sauberer Validierung. Das Seminar ist für Fortgeschrittene gedacht. Umfang und Datenbeispiele stimmen wir bei der Anfrage mit dir ab.
Das nimmst du mit.
- Aufbau eines neuronalen Netzes mit Schichten, Aktivierungsfunktionen und Verlustfunktion erklären
- Vorwärts- und Rückwärtsdurchlauf sowie Gradientenabstieg an einem Beispiel nachvollziehen
- Netze in PyTorch mit Dataset, DataLoader und Trainingsschleife umsetzen
- Überanpassung an Lernkurven erkennen und mit Dropout, Weight Decay und Early Stopping begegnen
- Modelle mit Trainings-, Validierungs- und Testdaten und passenden Metriken vergleichen
Dein Training im Detail
- Für wen?
- Softwareentwickler, Data Analysts und angehende ML-Engineers, die über klassisches maschinelles Lernen hinausgehen wollen.
- Was bringst du mit?
- Python-Kenntnisse, Grundlagen in Statistik und linearer Algebra sowie erste Erfahrung mit NumPy oder pandas.
- Umfang & Planung
- Planungsvorschlag: 3 Tage live online oder vor Ort, aufgeteilt in Module. Umfang nach Vorkenntnissen.
Agenda: vom Verständnis zur Anwendung
Unser eigenständig entwickelter Agenda-Vorschlag. Schwerpunkte, Übungsumgebung und Umfang stimmen wir vor einer Buchung ab.
Vom Perzeptron zum mehrschichtigen Netz mit Neuronen, Gewichten, Bias und Aktivierungen wie ReLU und Softmax.
Lernen durch Verlustfunktionen, Backpropagation, Gradientenabstieg und Optimierer wie Adam.
PyTorch in der Praxis mit Tensoren, autograd, nn.Module, DataLoader und Trainingsschleife.
Überanpassung und Regularisierung mit Lernkurven, Dropout, Weight Decay, Datenaugmentierung und Early Stopping.
Architekturen im Überblick: Convolutional Networks für Bilder, rekurrente Netze und Transformer für Sequenzen.
Fairer Modellvergleich mit Datenaufteilung, Kreuzvalidierung, Metriken, festen Seeds und Ergebnisprotokoll.
Eigener Übungsvorschlag: Du trainierst auf dem FashionMNIST-Datensatz zwei Netze unterschiedlicher Größe, vergleichst deren Lernkurven, verhinderst Überanpassung des größeren und begründest die Modellwahl schriftlich.
Prüfung, Lizenzen & Nachweise
Es gibt keine einzelne maßgebliche externe Prüfung zu Deep Learning. Teilnahme allein vergibt kein Herstellerzertifikat. Prüfungsgebühren und Lizenzen sind nur enthalten, wenn das Angebot sie bestätigt.
Herstellerquellen & fachlicher Stand
Quellen geprüft am 2026-11-03. Die Quellen beschreiben die Technologie bzw. externe Prüfungsanforderungen. Sie belegen keine Partnerschaft mit NextNowa.
Dein Lerninhalt
Die genannten Inhalte beschreiben das gewünschte Schulungsthema. Konkreten Lehrplan, Dauer, Termine, Trainer und Preis stimmen wir vor einer Buchung ab.
Häufige Fragen
Welche Mathematik brauche ich für Deep Learning?
Hilfreich sind solide Grundlagen in linearer Algebra (Vektoren, Matrizen), Analysis (Ableitungen) und Statistik. Du musst nichts auswendig beweisen können, aber Gradienten und Wahrscheinlichkeiten sollten dir vertraut sein. Die Schulung erklärt die Ideen mit kleinen Rechenbeispielen und PyTorch-Code statt langen Herleitungen.
Woran erkenne ich Überanpassung bei einem neuronalen Netz?
Der Trainingsfehler sinkt weiter, während der Validierungsfehler stagniert oder wieder steigt. Die Lernkurven zeigen diese Lücke deutlich. Dagegen helfen vor allem mehr Daten, Dropout, Weight Decay, Augmentierung, ein kleineres Modell oder Early Stopping. Wichtig ist, dass die Testdaten dabei unangetastet bleiben, sonst misst du dich selbst.
PyTorch oder TensorFlow: was soll ich lernen?
Beide sind verbreitet, und die Konzepte übertragen sich leicht. PyTorch ist in Forschung und vielen Open-Source-Projekten häufig die erste Wahl, TensorFlow findet sich oft in bestehenden Produktivsystemen. Wir arbeiten mit PyTorch, damit du Konzepte am Code lernst. Welches Framework dein Betrieb nutzt, kannst du bei der Anfrage nennen.
Erhalte ich bei Deep Learning Grundlagen ein Zertifikat?
Es gibt keine einzelne maßgebliche externe Prüfung zu Deep Learning. Teilnahme allein vergibt kein Herstellerzertifikat. Prüfungsgebühren und Lizenzen sind nur enthalten, wenn das Angebot sie bestätigt.