Deep Learning mit Python und Pytorch

Grundlagen und Einführung

• Ursprung und Entwicklungsgeschichte von Python
• Aktuelle Einsatzgebiete der Sprache
• Installation und Einrichtung
• Unterstützung durch Entwicklungsumgebungen (z. B. Visual Studio Code, PyCharm)
• Arbeiten mit Jupyter Notebooks
• Cloud-basierte Umgebungen: Google Colab, AWS Sagemaker
• Erste praktische Tour durch die Sprache

Zentrale Sprachkonzepte

• Überblick über Datentypen
• Kontrollstrukturen zur Ablaufsteuerung
• Funktionen und anonyme Lambda-Funktionen
• Klassen, Objekte und deren Verwendung
• Konzepte der Vererbung
• Fehler- und Ausnahmebehandlung
• Nutzung von Modulen
• Standardbausteine wie Dateioperationen, reguläre Ausdrücke u. a.

Numpy und weitere Bibliotheken

• Typische Anwendungsfelder
• Datentypen in Numpy
• Grundlegende Operationen
• Indizierung und Zugriffstechniken
• Broadcasting-Mechanismen
• Datenvisualisierung mit Matplotlib
• Einführung in Pandas und Seaborn

Lineare und logistische Regression

• Beschreibung der Problemstellung
• Umsetzung mit Python und Numpy
• Mathematischer Hintergrund
• Gradient Descent: Intuition und Herleitung
• Verlustfunktionen und deren mathematische Diskussion
• Erweiterung zur logistischen Regression für Klassifikationsaufgaben

Arbeiten mit PyTorch

• Entwicklungsgeschichte des Frameworks
• Tensoren als Basiselement und Operationen darauf
• Dimensionierung und deren Bedeutung im Detail
• Umsetzung linearer und logistischer Regression in PyTorch
• Umgang mit Dataset und DataLoader
• Verwendung gängiger Standarddatensätze (z. B. MNIST, FashionMNIST)
• Aufbau von Multi-Layer-Perceptrons
• Nutzung von nn.Module als zentrale Bausteine
• Auswahl und Einsatz von Lossfunktionen und Optimierern
• Struktur einer Trainingsschleife mit Validation Set
• Durchführung von Vorhersagen (Prediction)