Einführung in Python für Deep Learning

Ziele

Das Seminar "Einführung in Python für Deep Learning" vermittelt grundlegende Kenntnisse in Python und Numpy, um eigenständig einfache Algorithmen im Bereich Machine Learning zu implementieren. Der Fokus liegt dabei insbesondere auf den Anwendungen im Deep Learning und schließt Bereiche aus, die üblicherweise nicht in diesem Kontext verwendet werden, wie beispielsweise GUI mit Tkinter oder Web-Entwicklung. Die Teilnehmer gewinnen nach Abschluss des Kurses erste Einblicke in die Grundlagen des Deep Learning und sind mit dem weitverbreiteten Framework PyTorch vertraut.

Zielgruppe

• Entwickler

Python wird hier von Grund auf vorgestellt, doch strebt der Kurs schnell anspruchsvolle Konzepte an, so dass er nicht als allgemeiner Einstiegskurs in die Programmierung geeignet ist.

Voraussetzungen

• Mathematisches Grundverständnis, objektorientierte und funktionale Programmierung
• Kenntnisse in einer Programmiersprache wie Javascript, Java, C#, C++.

Agenda

Hintergrund

• Historische Entwicklung von Python
• Heutige Anwendungsbereiche
• Installation
• Unterstützung in IDEs (Visual Studio Code, Pycharm)
• Jupyter Notebooks
• Cloud Angebote: Google Colab, AWS Sagemaker
• Kurze Tour durch die Sprache

Sprachkozepte

• Datentypen
• Kontrollstrukturen
• Funktionen, Lambda Funktionen
• Klassen und Objekte
• Vererbung
• Fehlerbehandlung
• Module
• Standardbausteine (Dateien, reguläre Ausdrücke, ...)

Numpy und andere Bibliotheken

• Anwendungsbereich
• Datentypen
• Basisoperationen
• Indizierung
• Broadcasting
• Visuelle Aufbereitung mit Matplotlib
• Kurzvorstellung Pandas, Seaborn

Lineare Regression

• Problemstellung
• Implementierung mit Python und Numpy
• Mathematischer Hintergrund
• Gradient Descent, Intuition dahinter, Herleitung
• Loss Funktionen mit mathematischer Diskussion
• Variante Logistic Regression zur Klassifizierung

Pytorch

• Historische Entwicklung
• Tensor als Basistyp mit Operationen
• Ausführiche Behandlung von Dimensionierung
• Linear und Logistic Regression mit Pytorch
• Data Set und DataLoader
• Standarddatensätze wie MNIST, FashionMNIST
• Multi Layer Perceptrons
• nn.Module als Basisbaustein
• Lossfunktionen und Optimizer
• Trainingsschleife, Validation Set
• Prediction