Pytorch Grundkurs: Deep Learning mit MLP und CNN
Von Tensoren bis CNNs: Deep-Learning-Modelle in PyTorch verstehen, trainieren und bewerten
- Tensoren und Autograd in PyTorch
- Regression mit NumPy und Matplotlib
- MLP mit nn.Module und Trainingsschleife
- 5 Tage
- Aufbau
- Online
- Zufriedenheitsgarantie Risikofrei für dich
- Online Live per Videokonferenz
- max. 8 Teilnehmerinnen und Teilnehmer pro Gruppe
- Keine Vorkasse Rechnung nach dem Seminar
Das nimmst du mit
- 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
Passt das zu dir?
Damit du den Tag wirklich mitnimmst, lohnt sich ein kurzer Abgleich.
Richtig für dich, wenn
- 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 bringst du mit
- 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 Lernweg
Tag 1: Mathematische Grundlagen und Regression
- Vektoren, Matrizen und lineare Transformationen
- Partielle Ableitungen und Kettenregel
- Lineare Regression als Einstiegsproblem
- Implementierung mit Python und NumPy
- Visualisierung der Ergebnisse mit Matplotlib
Tag 2: Backpropagation, Optimierung und PyTorch-Basis
- Backpropagation Schritt für Schritt
- Gradient Descent als Optimierungsverfahren
- Logistic Regression zur Klassifizierung
- Tensoren, Operationen und Dimensionierung
- Automatische Gradientenberechnung mit Autograd
Tag 3: Multilayer Perceptrons und Trainingsschleifen
- nn.Module als Grundlage eigener Modelle
- Aufbau eines Multilayer Perceptrons
- Aktivierungsfunktionen und Loss-Funktionen
- Optimizer wie SGD und Adam
- Trainingsschleife, Validation-Set und Testlauf
Tag 4: Datenpipelines, Evaluation und Visualisierung
- Dataset, DataLoader und ImageFolder
- Arbeit mit Standard-Datensätzen wie MNIST
- Underfitting und Overfitting erkennen
- Auswertung von Loss-Werten und Metriken
- Visualisierung von Trainingsläufen mit TensorBoard
- GPU-Training, Mixed Precision und torch.compile einordnen
Tag 5: Convolutional Neural Networks und Transfer Learning
- Grundprinzipien von CNNs für Bilddaten
- Transforms und Vorbereitung von Bilddaten
- Convolution-Layer, Pooling und Feature Maps
- Training von CNNs mit GPU-Unterstützung
- CNN-Architekturen wie AlexNet, VGG, ResNet und EfficientNet
- Transfer Learning, Fine-Tuning und Autoencoder
Klarheit von Anfang an
Format, Ablauf und alles, was schon enthalten ist. Keine Überraschungen, nur Fokus auf dein Ergebnis.
- Live-OnlineInteraktiv per Videokonferenz, von überall
5 Tage
Kompakt aufgebaut, damit du schnell ins Tun kommst.
max. 8
Kleine Gruppe, damit genug Raum für deine Fragen bleibt.
- 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
Das ist immer dabei
- Ausführliche Schulungsunterlagen und Praxisbeispiele
- Teilnahmezertifikat
- Übungsumgebungen und Beispieldaten
- Nachbetreuung per E-Mail nach dem Seminar
Sichere dir deinen Platz
Wähle den Termin, der zu dir passt. Online live dabei oder vor Ort, ganz wie es für dich passt.
- Erfahrene IT-Trainer aus der Praxis
- Keine Vorkasse, Rechnung nach dem Seminar
- Kostenfreie Umbuchung bis 14 Tage vor Start
Lieber das ganze Team?
Bring dieses Seminar zu euch ins Haus oder lass uns ein Programm bauen, das genau auf euer Unternehmen passt.
Inhouse-Schulung
Wir kommen zu dir und schulen dein Team genau auf eure Praxis.
- Komplett auf eure Use-Cases und Tools zugeschnitten
- Termin und Ort bestimmst du, vor Ort oder Live-Online
- Ein fester Pauschalpreis statt Preis pro Person
Firmen-Seminar
Ein individuelles Programm, das wir auf eure Ziele zuschneiden.
- Frei kombinierbare Module aus unserem Themenkatalog
- Skalierbar von der Kleingruppe bis zur ganzen Belegschaft
- Begleitung über mehrere Termine hinweg möglich
Deine IT-Schulungen München-Expertinnen und -Experten
Du hast Fragen zu Inhalten, Terminen oder einer passenden Lösung für dein Team? Wir beraten dich gern, bevor du buchst. Direkt, ohne Umwege.
Antwort in der Regel am selben Werktag
Dein cmt-Team München
Beratung zu IT-Weiterbildung
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.
Passende Schulungen
Pytorch Grundkurs: Deep Learning mit MLP und CNN
Nächster Termin: 26. Oktober 2026 · Online
ab2.195 €netto