LFD473: PyTorch in Practice: An Applications-First Approach
Deep-Learning-Modelle mit PyTorch, Hugging Face und TorchServe praxisnah trainieren und deployen
Die wichtigsten Themen
PyTorch-Modelle praxisnah trainieren
Transfer Learning gezielt einsetzen
Computer-Vision- und NLP-Labs
TorchServe-Deployment umsetzen
LLM-Anwendungen fundiert bewerten
Überblick Offizielle Schulungsumgebung inklusive LAB · Verpflegung bei Präsenzterminen inklusive · Offizielle Linux-Foundation-Unterlage digital und englischsprachig, 700 € netto pro Person als verbindliche Zusatzkosten...
In dieser 4-tägigen PyTorch Schulung LFD473 arbeitest du anwendungsorientiert mit einem der wichtigsten Frameworks für Deep Learning. Der Kurs führt von PyTorch-Grundlagen, Tensoren, Datasets, Dataloaders und Training Loops bis zu Transfer Learning, Fine-Tuning und Deployment mit TorchServe. Im Mittelpunkt stehen praxisnahe Anwendungen in Computer Vision und Natural Language Processing, darunter Bildklassifikation, Objekterkennung, Bildsegmentierung, Sentiment Analysis, Textklassifikation, Document Q&A, Textgenerierung und Semantic Search.
Die Schulung ist für Machine-Learning-Praktikerinnen und Machine-Learning-Praktiker konzipiert, die vortrainierte Modelle gezielt nutzen, an eigene Daten anpassen und als lauffähige Prototypen bereitstellen möchten. Neben PyTorch werden auch relevante Werkzeuge aus dem Hugging-Face-Ökosystem behandelt. Für den produktionsnahen Betrieb und die Bereitstellung von Anwendungen sind Kenntnisse in Container-Technologien hilfreich, etwa aus dem Docker Grundkurs oder dem Linux Container Workshop.
Durch Hands-on-Labs, nachvollziehbare Code-Beispiele und schrittweise aufgebaute Übungen entsteht ein belastbares Verständnis dafür, wie Modelle trainiert, bewertet, gespeichert, geladen, feinjustiert und demonstrierbar bereitgestellt werden. Der Applications-First-Ansatz sorgt dafür, dass nicht abstrakte Theorie im Vordergrund steht, sondern direkt umsetzbare Workflows für reale KI-Projekte.
Leistungsumfang:
- Offizielle Schulungsumgebung inklusive LAB
- Verpflegung bei Präsenzterminen inklusive
- Offizielle Linux-Foundation-Unterlage digital und englischsprachig, 700 € netto pro Person als verbindliche Zusatzkosten
- Optionaler Prüfungsvoucher separat erhältlich, bei Buchung inklusive kostenfreiem Retake nach aktuellem Leistungsumfang
Die Themen PyTorch und sein Ökosystem · Überwachtes und unüberwachtes Lernen · Softwareentwicklung im Vergleich zu Machine Learning und Deep Learning · Tensoren, Devices, CUDA und Entwicklungsumgebungen...
PyTorch, Datensätze und Modellgrundlagen
- PyTorch und sein Ökosystem
- Überwachtes und unüberwachtes Lernen
- Softwareentwicklung im Vergleich zu Machine Learning und Deep Learning
- Tensoren, Devices, CUDA und Entwicklungsumgebungen
- Model Classes und erste Modellstrukturen
Datasets, Dataloaders und Datenverarbeitung
- Erstellung eigener Datasets
- Dataloaders für effiziente Trainingsprozesse
- Transformationen und Datapipes
- Hugging-Face-Datasets und High-Level-Libraries
- Praxisbeispiele mit nichtlinearer Regression und Preisvorhersage
Training, Evaluierung und Modellverwaltung
- Loss Functions, Gradients und Autograd
- Optimizer und Raw Training Loops
- Evaluation, Validierung und Metriken
- Speichern und Laden trainierter Modelle
- Nichtlinearitäten und Modellverbesserung
- TensorBoard zur Trainingsanalyse
Transfer Learning und vortrainierte Modelle
- Grundlagen und Einsatzbereiche von Transfer Learning
- Torch Hub und vortrainierte Modelle
- Dropout und Feature Extraction
- ImageFolder Dataset und eigene Bilddaten
- Fine-Tuning bestehender Modelle
Computer Vision mit PyTorch
- Bildklassifikation mit Torchvision
- PyTorch Image Models und Hugging-Face-Modelle
- Objekterkennung, Bildsegmentierung und Keypoint Detection
- Bounding Boxes, Torchvision Operators und Transforms V2
- Custom Datasets für Objekterkennung
- Zero-Shot Image Classification und Zero-Shot Object Detection
Natural Language Processing und Transformer
- Textklassifikation und Sentiment Analysis
- Tokenization, Word Embeddings und Kontext-Embeddings
- Cross-Entropy Loss und Klassifikationsmodelle
- Transformer-Architektur und Encoder-basierte Modelle
- Hugging-Face-Pipelines für NLP-Aufgaben
- Document Q&A, Summarization und Textgenerierung
LLMs, Semantic Search und Bewertung
- Large Language Models und decoder-basierte Modelle
- Hallucinations und Qualitätsbewertung
- Asymmetric Semantic Search
- Vector Databases und Chunking-Strategien
- ROUGE Score für Ergebnisbewertung
- Nutzung externer APIs in Prototypen
Deployment mit TorchServe
- Archivierung trainierter Modelle
- Bereitstellung von Modellen mit TorchServe
- Validierung und Demonstration von Prototypen
- Praxisnahe Übergabe von Modellen in Anwendungsumgebungen
Wer hier richtig ist
- Machine-Learning-Engineers, die PyTorch für Deep-Learning-Projekte in Computer Vision oder NLP einsetzen
- Data Scientists, die vortrainierte Modelle feinjustieren und in Prototypen überführen
- Softwareentwicklerinnen und Softwareentwickler mit Python-Erfahrung, die KI-Anwendungen produktionsnäher umsetzen
- KI-Projektteams, die Anwendungen mit Hugging Face, Torchvision, LLMs und TorchServe evaluieren
Das lernst du
- Sicherer Umgang mit PyTorch-Tensoren, Datasets, Dataloaders, CUDA und Training Loops
- Eigenständiges Trainieren, Evaluieren, Speichern und Laden von Deep-Learning-Modellen
- Vortrainierte Modelle für Computer Vision und NLP gezielt auswählen, anpassen und feinjustieren
- Praktische Umsetzung von Bildklassifikation, Objekterkennung, Textklassifikation, Sentiment Analysis und Document Q&A
- Prototypen mit TorchServe bereitstellen, validieren und demonstrieren
So arbeiten wir
- Trainergeführte Schulung mit fachlichen Erläuterungen, Live-Demonstrationen und Code-Walkthroughs
- Hands-on-Labs in der offiziellen Schulungsumgebung
- Praxisübungen zu PyTorch, Hugging Face, Torchvision, NLP, Computer Vision und TorchServe
- Schrittweise Entwicklung, Bewertung und Optimierung eigener Modell-Workflows
- Diskussion typischer Fehlerbilder, Modellgrenzen und Debugging-Ansätze
Empfohlene Vorkenntnisse
- Python-Kenntnisse, inklusive Grundlagen objektorientierter Programmierung
- Praxis mit NumPy, Pandas, Matplotlib und Scikit-Learn
- Grundkenntnisse in Machine Learning, insbesondere überwachtes Lernen, Loss Functions, Train-Validation-Test-Splits und Evaluationsmetriken
- Basiswissen zu Computer Vision und Natural Language Processing
- Hilfreich für Laborumgebungen: grundlegende Linux-Kenntnisse, zum Beispiel aus dem Linux Grundkurs
Dein Fahrplan
Der Einstieg behandelt PyTorch, das Ökosystem, Entwicklungsumgebungen, Tensoren, Devices, CUDA, Datasets und Dataloaders. Anschließend werden erste Modelle aufgebaut, Training Loops nachvollzogen und grundlegende Abläufe mit Loss Functions, Gradients, Autograd und Optimizers eingeübt.
- PyTorch-Ökosystem und Setup
- Tensoren, Devices und CUDA
- Datasets, Dataloaders und Datapipes
- Erste Modelle und nichtlineare Regression
- Training Loop, Evaluation, Speichern und Laden
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.
Uhrzeiten
09:00-17:00 Uhr
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
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 LFD473: PyTorch in Practice: An Applications-First Approach
Für wen eignet sich die PyTorch in Practice LFD473 Schulung?
Die Schulung richtet sich an Machine-Learning-Praktikerinnen und Machine-Learning-Praktiker, Data Scientists und Python-Entwicklerinnen und Python-Entwickler, die Deep-Learning-Modelle mit PyTorch praktisch einsetzen möchten. Besonders passend ist der Kurs, wenn du vortrainierte Modelle für Computer Vision oder NLP nutzen, feinjustieren und als Prototyp bereitstellen willst.
Welche Vorkenntnisse sind für LFD473 erforderlich?
Formale Voraussetzungen gibt es nicht, solide Python-Kenntnisse und Grundlagen in Machine Learning sind jedoch wichtig. Hilfreich sind außerdem Erfahrungen mit NumPy, Pandas, Matplotlib und Scikit-Learn sowie ein sicherer Umgang mit Entwicklungsumgebungen. Falls Kommandozeile und Skripting aufgefrischt werden sollen, passt der Linux / UNIX Shellprogrammierung Grundkurs als Ergänzung.
Welche praktischen Aufgaben werden in der PyTorch Schulung behandelt?
Die Labs behandeln unter anderem nichtlineare Regression, Preisvorhersage, Bildklassifikation, Objekterkennung, Sentiment Analysis, Textklassifikation, Document Q&A, Semantic Search und LLM-nahe Anwendungen. Dazu kommen Training Loops, Autograd, Optimizer, Evaluierung, Fine-Tuning und Deployment mit TorchServe.
Geht es in der Schulung nur um Theorie oder auch um Anwendung?
Der Kurs folgt einem Applications-First-Ansatz. Konzepte wie Tensoren, Loss Functions, Transfer Learning oder Transformer werden nicht isoliert behandelt, sondern direkt in lauffähigen Übungen eingesetzt. Dadurch entsteht ein praxisnaher Workflow vom Dataset über Training und Evaluation bis zur Bereitstellung.
Welche Rolle spielen Hugging Face und LLMs im Seminar?
Hugging Face wird für Datasets, Pipelines und vortrainierte Modelle in NLP- und Computer-Vision-Aufgaben genutzt. LLMs werden anwendungsbezogen behandelt, darunter Textgenerierung, Question Answering, Semantic Search, Hallucinations und Bewertungsansätze wie ROUGE.
Ist Linux-Wissen für die Laborübungen hilfreich?
Die zentralen Voraussetzungen liegen bei Python, PyData Stack und Machine Learning. Grundkenntnisse in Linux und Kommandozeile erleichtern jedoch den Umgang mit Entwicklungsumgebungen, Paketverwaltung und Labor-Setups. Für einen systematischen Einstieg eignet sich der Linux Grundkurs.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs .
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
