Deep Learning Schulung

Zielgruppe

Die Schulung richtet sich an Data Scientists, Entwickler:innen und Ingenieur:innen mit Vorkenntnissen in Python, die sich fundiert mit Deep Learning und modernen neuronalen Netzen befassen möchten.

Schulungsinhalte

• Neuronale Netze: Feedforward, Backpropagation, Regularisierung
• Convolutional Neural Networks (CNNs) für Bildklassifikation
• Recurrent Neural Networks (RNNs) & LSTMs für Text- & Sequenzverarbeitung
• Transfer Learning & Fine-Tuning mit vortrainierten Modellen
• Autoencoder, Attention Mechanismen & Transformer-Architekturen
• Implementierung mit TensorFlow & Keras

Details & Organisation

Lernziele nach dem Lehrbaummodell

Diese Lernziele orientieren sich am Lehrbaummodell (Ellmann 2022) und fördern nachhaltiges Lernen auf kognitiver, motivationaler und metakognitiver Ebene.

• Stamm: Planung & Motivation: Die Teilnehmenden setzen sich individuelle Lernziele im Bereich Deep Learning, verstehen die Relevanz neuronaler Netze für moderne Anwendungen und sind intrinsisch motiviert, diese Konzepte praktisch umzusetzen.
• Kommunikation: Die Lernenden diskutieren Netzwerkarchitekturen, Aktivierungsfunktionen, Schulungsprozesse und Regularisierungsmethoden im Team, reflektieren die Auswahl geeigneter Modelle und tauschen sich über Lösungsansätze aus.
• Material & Struktur: Die Teilnehmenden arbeiten mit klar strukturierten Lernmaterialien, wie TensorFlow-Dokumentationen, Modellbeispielen, Schulungsnotebooks, Visualisierungen (z. B. TensorBoard) und begleitenden Code-Demos.
• Gedächtnis & Aufmerksamkeit: Konzepte wie Backpropagation, CNNs, RNNs, Transformer und Attention werden durch praxisorientierte Implementierungen, Wiederholungen und visuelle Modelle tiefgreifend verankert.
• Aktivierung & Lernstörung: Die Lernenden implementieren eigene Deep-Learning-Modelle mit Keras, beheben Schulungsprobleme, analysieren Underfitting und Overfitting und entwickeln eine reflektierte Herangehensweise an komplexe Lernprozesse.
• Gipfel: Überprüfung & Transfer: Die Teilnehmenden evaluieren ihre Modelle anhand geeigneter Metriken, dokumentieren Schulungsverläufe und übertragen das Erlernte auf eigene Anwendungsfälle im Bereich Bildverarbeitung oder Sprachverarbeitung.

Kursbezogene Ziele

• Verständnis für Architektur und Schulungsprozesse neuronaler Netzwerke
• Kompetente Anwendung moderner Deep-Learning-Methoden
• Praktische Umsetzung von Bild- und Textmodellen mit TensorFlow

Quelle des Lehrbaummodells zur Gestaltung effektiver Lehre in der IT vom Inhaber: M. Ellmann (2022).
Effektives Lehren und Lernen in der Informatik, Wirtschaftsinformatik und verwandten Fachgebieten.
Veröffentlicht in: Informatik Spektrum, Springer Nature.
SPRINGER NATURE Link: https://doi.org/10.1007/s00287-022-01436-5

Nächste Kurstermine

Hinweis: Gesetzliche Feiertage wurden bei der Terminberechnung automatisch berücksichtigt.

Startzeitraum	Kontakt
03 Aug 2026 bis 07.08.2026 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
17 Aug 2026 bis 21.08.2026 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
31 Aug 2026 bis 04.09.2026 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
14 Sep 2026 bis 18.09.2026 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
28 Sep 2026 bis 02.10.2026 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.

Weiteren Termin anzeigen

Kein passender Termin dabei? Gerne prüfen wir individuelle Schulungswünsche.

Mathias Ellmann

Ing., M. Sc.