Vortrainierte Modelle effizient zu adaptieren steht im Zentrum moderner Deep Learning-Anwendungen. Der Kurs vermittelt grundlegende Methoden zur Weiterverwendung bestehender neuronaler Netzwerke für neue Aufgabenstellungen.

Statistische Optimierung und Datenanalyse

Ein Schwerpunkt liegt auf statistischen Analysen zur Optimierung von Trainingsprozessen.

  • Die Teilnehmenden führen explorative Datenanalysen durch, identifizieren Muster in den Trainingsdaten und wenden statistische Verfahren gezielt an, um die Modellgenauigkeit zu verbessern.

Datenvorbereitung mit SQL

Mit SQL werden große Datensätze so aufbereitet, dass sie strukturiert für Transfer Learning nutzbar sind.

  • Durch optimierte Abfragen, Joins und Aggregationen lassen sich Trainingsdaten effizient zusammenstellen und für die Anpassung vortrainierter Modelle einsetzen.

Visualisierung und Performanceanalyse mit Power BI

Power BI wird genutzt, um Modellmetriken und Anpassungsverläufe anschaulich darzustellen.

  • Interaktive Dashboards mit DAX-Funktionen helfen, Performanceanalysen visuell aufzubereiten und datenbasierte Entscheidungen zur weiteren Modellanpassung zu unterstützen.

Automatisierte Datenpipelines

Automatisierte Datenpipelines sorgen für eine stabile Infrastruktur bei der Anwendung von Transfer Learning.

  • Strukturierte Workflows ermöglichen eine konsistente Datenharmonisierung, vereinfachen die Integration neuer Datenquellen und erleichtern den Einsatz bestehender Modelle in unterschiedlichen Anwendungskontexten.

Praktische Anwendung von Transfer Learning

Abgerundet wird der Kurs durch die praktische Anwendung verschiedener Transfer Learning-Techniken.

  • Die Teilnehmenden lernen, vortrainierte neuronale Netzwerke weiterzuentwickeln, Hyperparameter präzise anzupassen und mit begrenzten Ressourcen leistungsfähige Modelle für spezifische Aufgaben bereitzustellen.