Pytorch Grundkurs: Deep Learning mit MLP und CNN
Von Tensoren bis CNNs: Deep-Learning-Modelle in PyTorch verstehen, trainieren und bewerten
Die wichtigsten Themen
Tensoren und Autograd in PyTorch
Regression mit NumPy und Matplotlib
MLP mit nn.Module und Trainingsschleife
Dataset, DataLoader und MNIST-Pipeline
Overfitting mit Validation-Set bewerten
CNNs mit Convolution-Layern trainieren
Überblick Deep Learning mit PyTorch verlangt mehr als das Nachbauen fertiger Code-Beispiele. Entscheidend ist, wie Tensoren dimensioniert werden, wie Gradienten durch ein Modell fließen, wie Loss-Funktionen und Optimizer...
Deep Learning mit PyTorch verlangt mehr als das Nachbauen fertiger Code-Beispiele. Entscheidend ist, wie Tensoren dimensioniert werden, wie Gradienten durch ein Modell fließen, wie Loss-Funktionen und Optimizer zusammenspielen und warum Trainingsläufe manchmal scheitern. In diesem fünftägigen Grundkurs arbeitest du diese Zusammenhänge systematisch durch: von linearer und logistischer Regression über Multilayer Perceptrons bis zu Convolutional Neural Networks für Bilddaten.
Der Kurs verbindet mathematische Grundlagen, NumPy-Implementierungen und PyTorch-Code zu einem nachvollziehbaren Lernpfad. Unsere Trainer zeigen vollständige Setup-Beispiele mit Dataset, DataLoader, Trainingsschleife, Validation-Set, Testläufen, Loss-Ausgaben und Visualisierungen. Auch aktuelle Arbeitsweisen wie GPU-Training, Mixed Precision und optionale Optimierung mit torch.compile werden eingeordnet, ohne den Grundkurs mit Spezialthemen zu überladen.
Wenn solide Python-Kenntnisse vorhanden sind, bietet diese PyTorch-Schulung einen direkten Einstieg in Deep Learning. Für den allgemeineren Einstieg in ML-Workflows passt vorab der Python Machine Learning Grundkurs; wer Frameworks vergleichen möchte, findet im Python mit Tensorflow Grundkurs eine passende Ergänzung.
Die Themen Vektoren und Linearkombinationen · Matrizen und lineare Transformationen · Partielle Ableitungen · Kettenregel und Gradienten · Geometrische Intuition · Häufig genutzte Aktivierungsfunktionen...
Mathematische Grundlagen
- Vektoren und Linearkombinationen
- Matrizen und lineare Transformationen
- Partielle Ableitungen
- Kettenregel und Gradienten
- Geometrische Intuition
- Häufig genutzte Aktivierungsfunktionen
Regression und Optimierung
- Problemstellung der linearen Regression
- Implementierung mit Python und NumPy
- Backpropagation aus erster Hand
- Gradient Descent als Optimierungsverfahren
- Visualisierung mit Matplotlib
- Logistic Regression zur Klassifizierung
PyTorch-Grundlagen
- PyTorch im Deep-Learning-Ökosystem
- Tensoren als zentrale Datenstruktur
- Operationen und Dimensionierung
- Automatische Gradientenberechnung mit Autograd
- nn.Module als Modellbasis
- Loss-Funktionen und Optimizer
Multilayer Perceptrons
- MLP als grundlegender Netzwerktyp
- Schichten, Gewichte und Bias
- Sigmoid, Softmax und ReLU
- SGD und Adam im Vergleich
- Trainingsschleife und Evaluation
- Underfitting und Overfitting
Datenpipelines und Training
- Dataset und DataLoader
- ImageFolder für Bilddaten
- Standard-Datensätze wie MNIST
- Validation-Set und Testlauf
- Visualisierung mit TensorBoard
- GPU-Training und Mixed Precision
- torch.compile als optionale Optimierung
Convolutional Neural Networks
- CNNs zur Bildklassifizierung
- Abgrenzung zu RNN und Transformer
- Bildvorbereitung mit Transforms
- Convolution-Layer im Detail
- Pooling und Feature Maps
- Training mit Google Colab
- ImageNet und vortrainierte Modelle
- AlexNet, VGG, ResNet und ResNeXt
- EfficientNet als aktuelle CNN-Architektur
- Transfer Learning und Fine-Tuning
- Autoencoder als Erweiterung
Zielgruppe
- Python-Entwicklerinnen und Python-Entwickler mit Interesse an Deep-Learning-Modellen
- Data-Science-Fachkräfte, die PyTorch für MLPs und CNNs einsetzen möchten
- Softwareentwicklerinnen und Softwareentwickler, die Bildklassifizierung mit CNNs verstehen und prototypisch umsetzen wollen
- Technische Projektmitarbeitende, die Trainingsläufe, Modellmetriken und typische Fehlerbilder fundiert beurteilen müssen
Das lernst du
- Fundiertes Verständnis von Tensoren, Dimensionierung und Autograd in PyTorch
- Lineare und logistische Regression mit NumPy nachvollziehen und auf PyTorch übertragen
- Eigenständiger Aufbau eines Multilayer Perceptrons mit nn.Module, Loss-Funktion und Optimizer
- Trainings-, Validierungs- und Testläufe strukturiert auswerten
- CNNs für Bildklassifizierung vorbereiten, trainieren und bewerten
- Sicherer Umgang mit typischen Trainingsproblemen wie Overfitting, Underfitting und fehlerhaften Dimensionen
So arbeiten wir
- Fachliche Herleitungen zu Regression, Backpropagation und Gradient Descent
- Live-Coding mit Python, NumPy, Jupyter-Notebooks und PyTorch
- Hands-on Labs zu MLPs, CNNs, Dataset, DataLoader und Trainingsschleifen
- Schrittweise Analyse von Loss-Werten, Validierungsergebnissen und Visualisierungen
- Gemeinsame Fehlersuche bei Dimensionierung, Datenpipelines und Modelltraining
- Trainergeführte Einordnung aktueller PyTorch-Arbeitsweisen für reale Entwicklungsumgebungen
Empfohlene Vorkenntnisse
- Sichere Python-Kenntnisse, idealerweise auf Niveau des Python Aufbaukurs
- Erfahrung mit NumPy
- Routine im Umgang mit Jupyter-Notebooks
- Grundverständnis für Arrays, Funktionen und objektorientierte Programmierung
- Machine-Learning-Erfahrung ist nicht erforderlich
Dein Fahrplan
- Vektoren, Matrizen und lineare Transformationen
- Partielle Ableitungen und Kettenregel
- Lineare Regression als Einstiegsproblem
- Implementierung mit Python und NumPy
- Visualisierung der Ergebnisse mit Matplotlib
Organisatorisches
Lernformate
Unsere Seminare bieten dir maximale Flexibilität: Du kannst zwischen Live-Online und Vor Ort in unseren modernen Schulungszentren im D-A-CH Raum wählen. Beide Formate garantieren dir die gleiche hohe Qualität und interaktive Lernerfahrung.
Schulungsarten
Wir bieten dir verschiedene Schulungsarten: Offene Seminare, Firmenseminare für Teams und Inhouse-Schulungen direkt bei dir vor Ort. So findest du genau das Format, das zu deinen Bedürfnissen passt.
Aktuelle Software
In unseren offenen Kursen arbeiten wir mit der aktuellsten Software-Version. So lernst du direkt mit den Tools und Features, die du auch in deinem Arbeitsalltag verwendest - praxisnah und zukunftsorientiert. Bei Inhouse- und Firmenschulungen bestimmt ihr die Version.
Deine Vorteile
Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Inklusivleistungen
Deine Teilnahme beinhaltet: Schulungsmaterial, Zertifikat, Verpflegung (bei Präsenzveranstaltungen) und persönliche Betreuung durch unsere Trainer und unser Orga-Team. Alles aus einer Hand - keine versteckten Kosten.
Lernen von Experten
Unsere Trainer sind zertifizierte und erfahrene Profis mit jahrelanger Berufserfahrung. Sie vermitteln dir in den Kursen nicht nur theoretisches Wissen, sondern teilen ihre Erfahrungen aus realen Projekten und helfen dir, das Gelernte direkt in deiner täglichen Arbeit anzuwenden. Das ist kein Werbeversprechen, sondern unser Anspruch. Am besten siehst du das in unseren Bewertungen, z.B. auch bei Google.
Keine Vorkasse
Du zahlst erst nach dem Seminar. Keine Vorkasse, keine Vorauszahlung - so kannst du sicher sein, dass du nur für das bezahlst, was du auch wirklich erhalten hast. Die Rechnung erhältst du erst nach Kursbeginn.
Max. 8 Teilnehmende
Wir setzen auf kleine Gruppen, damit du die Aufmerksamkeit bekommst, die du verdienst. So haben wir mehr Zeit für deine individuellen Fragen und können gezielt auf deine Bedürfnisse eingehen.
Termine & Buchung
Vor Ort
Online
Nicht der passende Termin dabei?
Wir finden eine Lösung: anderer Termin, mehrere Teilnehmer, Inhouse-Schulung oder individuelle Beratung.
Lieber gleich das ganze Team schulen?
Diese Schulung gibt es auch exklusiv für dein Unternehmen, bei euch vor Ort, an unseren Standorten oder Live-Online. Inhalte und Termine nach Maß.
Inhouse-Schulung
Wir kommen zu euch: diese Schulung maßgeschneidert in euren Räumen, für Unternehmen und Behörden.
- Inhalte exakt auf euch zugeschnitten
- Termine nach euren Bedürfnissen
- Günstiger ab mehreren Teilnehmern
- Vertraute Umgebung, kein Reiseaufwand
Firmen-Seminar
Exklusiv für dein Team an einem unserer Standorte oder Live-Online, individuell angepasst.
- Geschlossene Gruppe aus eurem Haus
- Individuelle Terminplanung
- An unseren Standorten oder Live-Online
- Angepasste Inhalte
Fragen und Antworten zu Pytorch Grundkurs: Deep Learning mit MLP und CNN
Für wen ist der PyTorch Grundkurs geeignet?
Der Kurs richtet sich an Python-Entwicklerinnen und Python-Entwickler, Data-Science-Fachkräfte und technische Projektmitarbeitende, die Deep Learning mit PyTorch fundiert einordnen und erste eigene Modelle trainieren möchten. Erfahrung mit Machine Learning ist hilfreich, aber keine Voraussetzung.
Welche Vorkenntnisse brauche ich für die PyTorch-Schulung?
Du solltest sicher in Python programmieren, NumPy kennen und mit Jupyter-Notebooks arbeiten. Wer seine Python-Kenntnisse vorab festigen möchte, kann den Python Aufbaukurs als Vorbereitung nutzen.
Was lerne ich in fünf Tagen zu MLP und CNN in PyTorch?
Du baust ein Multilayer Perceptron und ein Convolutional Neural Network in PyTorch auf. Dazu gehören nn.Module, Tensoren, Autograd, Loss-Funktionen, Optimizer, Dataset, DataLoader, Trainingsschleife, Validation-Set, Testläufe und Visualisierung mit TensorBoard.
Wird Backpropagation nur theoretisch behandelt?
Nein. Backpropagation und Gradient Descent werden zunächst über lineare Regression mit Python und NumPy nachvollziehbar hergeleitet. Anschließend setzt du die automatische Gradientenberechnung in PyTorch ein und siehst, wie Optimierung im Training praktisch abläuft.
Welche Datensätze und Datenpipelines werden verwendet?
Im Kurs kommen Standard-Datensätze wie MNIST zum Einsatz. Für strukturierte Trainingspipelines werden Dataset, DataLoader und ImageFolder behandelt. Bei Bilddaten spielen außerdem Transforms für Vorbereitung und Augmentierung eine Rolle.
Behandelt der Kurs GPU-Training und Google Colab?
Ja. Der Kurs zeigt, wie CNNs mit GPU-Unterstützung trainiert werden, zum Beispiel in Google Colab. Dabei geht es um die praktische Umsetzung in PyTorch, die korrekte Dimensionierung und den kontrollierten Umgang mit Trainingsressourcen.
Wie hilft das Seminar bei Overfitting und Underfitting?
Du lernst, Underfitting und Overfitting anhand von Trainings- und Validierungsergebnissen zu erkennen. Mit Validation-Set, Testlauf und TensorBoard werden Lernkurven, Loss-Werte und relevante Metriken nachvollziehbar ausgewertet.
Welche Weiterbildung passt nach dem PyTorch Grundkurs?
Als Vertiefung eignet sich der Python Deep-Dive Kurs zu Deep Learning, neuronalen Netzen und Visualisierung. Dort lassen sich Deep-Learning-Konzepte breiter einordnen und weiter ausbauen.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs.
Passende Schulungen nach dem Kurs
Ähnliche Kurse
Unser Qualitätsversprechen: Wissen, das in der Praxis funktioniert
Aus der Praxis für die Praxis
Schluss mit theoretischem Ballast. Wir trainieren dich für reale IT-Herausforderungen, nicht für Multiple-Choice-Tests. Unsere Trainer vermitteln dir genau das Wissen, das am nächsten Montagmorgen im Job wirklich funktioniert.
Individuell statt "Schema F"
Deine Fragen passen nicht ins Standard-Skript? Bei uns schon. Wir verzichten auf starre Lehrpläne und geben deinen konkreten Projekt-Fragen Raum. Unsere Trainer passen die Inhalte flexibel an das an, was dich und dein Team aktuell weiterbringt.
Maximale Freiheit: Remote oder vor Ort
Lerne so, wie es in deinen Alltag passt - ohne Reise-Stress und Zeitverlust. Egal ob remote, hybrid oder präsent vor Ort: Wir garantieren dir ein nahtloses und effektives Lernerlebnis, egal von wo du dich zuschaltest.
Mit Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt - und wollen, dass du es auch bist. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Über 20.000 Unternehmen und Behörden vertrauen auf uns
