Die Teilnehmenden erwerben Kenntnisse in den Grundlagen des Deep Learning, der Erstellung automatisierter Datenpipelines, der effizienten Datenverarbeitung mittels SQL, der Visualisierung von Modellen sowie der Anwendung spezifischer Netzwerkarchitekturen.
Automatisierte Datenpipelines für Deep Learning Modelle in Deep Learning Grundlagen- Datenquellen bereinigen, normalisieren und für neuronale Netzwerke optimieren
- Strukturierte Workflows entwickeln, um Modelltraining effizient zu gestalten
- Automatisierungstechniken nutzen, um wiederkehrende Datenvorbereitungsprozesse zu beschleunigen
SQL für leistungsstarke Datenverarbeitung in Deep Learning Grundlagen
- Joins und Aggregationen anwenden, um große Datenmengen für Modelltraining aufzubereiten
- Optimierte Abfragen schreiben, um die Genauigkeit neuronaler Netzwerke zu verbessern
- Datenbankmanagement optimieren, um tiefgehende Lernprozesse zu unterstützen
Interaktive Visualisierung von Deep Learning-Modellen mit Power BI
- Dynamische Dashboards entwerfen, um Modellmetriken verständlich darzustellen
- DAX-Funktionen einsetzen, um Modellvergleich und Fehleranalysen datengetrieben zu optimieren
- Aussagekräftige Berichte erstellen, um datengetriebene Optimierungen nachvollziehbar zu machen
Neuronale Netzwerke und Architekturstrategien für Deep Learning Modelle
- Muster in großen Datenmengen erkennen, um Netzwerkstrukturen gezielt anzupassen
- Convolutional und Recurrent Neural Networks für Bild- und Sprachverarbeitung trainieren
- Hyperparameter-Tuning und Transfer Learning für Deep Learning Grundlagen einsetzen