LFD473: PyTorch in Practice: An Applications-First Approach
Deep-Learning-Modelle mit PyTorch, Hugging Face und TorchServe praxisnah trainieren und deployen
- PyTorch-Modelle praxisnah trainieren
- Transfer Learning gezielt einsetzen
- Computer-Vision- und NLP-Labs
- 4 Tage
- Experte
- 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
- PyTorch-Modelle praxisnah trainieren
- Transfer Learning gezielt einsetzen
- Computer-Vision- und NLP-Labs
- TorchServe-Deployment umsetzen
- LLM-Anwendungen fundiert bewerten
Passt das zu dir?
Damit du den Tag wirklich mitnimmst, lohnt sich ein kurzer Abgleich.
Richtig für dich, wenn
- 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 bringst du mit
- 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 Lernweg
Tag 1: PyTorch-Grundlagen und erste Modelle
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
Tag 2: Transfer Learning, Hugging Face und Computer Vision
Der zweite Tag vertieft Transfer Learning und den Einsatz vortrainierter Modelle. Die Inhalte reichen von Torch Hub über ImageFolder Datasets bis zu Bildklassifikation und Feature Extraction mit Torchvision und Hugging-Face-Modellen.
- Transfer Learning und vortrainierte Modelle
- Torch Hub und Dropout
- Hugging-Face-Datasets und High-Level-Libraries
- Bildklassifikation mit eigenen Daten
- Pretrained Models als Feature Extractors
Tag 3: Fine-Tuning, Objekterkennung und NLP
Am dritten Tag stehen Fine-Tuning-Workflows, Computer-Vision-Aufgaben und NLP-Grundlagen im Mittelpunkt. Behandelt werden Objekterkennung, Bildsegmentierung, Keypoint Detection, Textklassifikation, Sentiment Analysis, Tokenization und Embeddings.
- Fine-Tuning vortrainierter Computer-Vision-Modelle
- Object Detection, Image Segmentation und Keypoint Detection
- Bounding Boxes, Torchvision Operators und Transforms V2
- Textklassifikation und Sentiment Analysis
- Tokenization, Word Embeddings und TensorBoard
Tag 4: Transformer, LLMs, Semantic Search und Deployment
Der Abschlusstag verbindet Transformer-basierte NLP-Verfahren, LLM-nahe Anwendungen und Modellbereitstellung. Themen sind Contextual Embeddings, Hugging-Face-Pipelines, Document Q&A, Summarization, Semantic Search, LLM-Bewertung und TorchServe.
- Transformer und encoder-basierte Klassifikationsmodelle
- Hugging-Face-Pipelines für NLP-Aufgaben
- Document Q&A, Summarization und Textgenerierung
- Vector Databases, Chunking und Semantic Search
- Modellarchivierung und Bereitstellung mit TorchServe
Klarheit von Anfang an
Format, Ablauf und alles, was schon enthalten ist. Keine Überraschungen, nur Fokus auf dein Ergebnis.
- Montag09:00 bis 17:00 Uhr
4 Tage
Kompakt aufgebaut, damit du schnell ins Tun kommst.
max. 8
Kleine Gruppe, damit genug Raum für deine Fragen bleibt.
- 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
Das ist immer dabei
- Ausführliche Schulungsunterlagen und Praxisbeispiele
- Teilnahmezertifikat
- Übungsumgebungen und Beispieldaten
- Nachbetreuung per E-Mail nach dem Seminar
Sichere dir deinen Platz
Wunschtermin?
Für dieses Seminar ist gerade kein Termin ausgeschrieben. Sag uns, wann es dir passt, wir setzen einen passenden Termin auf und melden uns bei dir.
Wunschtermin anfragenLieber 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 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.