PyTorch

Beschreibung

Konzepte und Verfahren

Deep Learning ist nicht gleich Deep Learning. Lernen Sie, einschlägige Verfahren nicht nur zu implementieren, sondern fundiert auszuwählen und zielorientiert einzusetzen – auch in Kombinationen.

Entscheidend für das Training der Deep-Learning-Modelle sind Daten. Worauf es bei der Aufbereitung ankommt, hängt vom gewählten Verfahren ab. Lernen Sie das richtige Vorgehen für Aufgaben wie Klassifizierungen, zeitreihenbasierte Vorhersagen, Computer Vision u. v. m.

Mit Autoencodern und VAEs lernen Sie zwei leistungsstarke Architekturen für unüberwachtes Lernen kennen. Nach einer grundlegenden Einführung sehen Sie die praktische Umsetzung mit vollständigen, einsatzbereiten Codebeispielen.

Passen Sie mit HuggingFace vortrainierte LLMs an spezifische Aufgaben an und optimieren Sie dabei Speicherbedarf und Rechenaufwand.

Setzen Sie für die Evaluierung und das Deployment Ihrer Modelle modernste Tools ein: von FlowML über TensorBoard und WandB bis zu FastAPI für den lokalen Betrieb und Heroku für die Cloud.

PyTorch-Programmierung professionell! Das meistbenutzte Deep-Learning-Framework in der Praxis: Lernen Sie für spezifische Aufgaben aus realen Projektszenarien, wie Sie mit PyTorch KI-Modelle trainieren, optimieren und produktiv einsetzen. Bert Gollnick zeigt Ihnen in diesem Buch alle einschlägigen Verfahren inklusive Python-Implementierung, von linearer Regression über große Sprachmodelle bis zur Kombination mehrerer Verfahren. Die Anwendungen beinhalten Computer Vision, RAG-Systeme, Zeitreihenanalysen und vieles mehr. Sie evaluieren und deployen Ihre Modelle mit modernsten Methoden und lernen dafür Tools wie FlowML, TensorBoard und FastAPI kennen.

Profitieren Sie von vollständigen Codebeispielen, die auf handelsüblicher Hardware lauffähig sind, und entdecken Sie das Zusammenspiel mit PyTorch Lightning, HuggingFace und weiteren Tools.

• Deep Learning von der Datenaufbereitung über Training und Fineturing bis zum Deployment
• Vielfältige Architekturen wie Autoencoder, RNNs, LLMs, RAG-Systeme etc.
• Inkl. PyTorch Lightning, TensorBoard, LangChain, FastAPI u. v. m.

Aus dem Inhalt:

• Installation des Frameworks
• Deep-Learning-Grundkonzepte
• Vortrainierte Modelle verwenden
• Daten vorbereiten
• Klassifizierungsaufgaben
• Computer Vision
• Empfehlungssysteme
• Graph Neural Networks
• Große Sprachmodelle (LLMs)
• Zeitreihen-Vorhersagen
• PyTorch Lightning
• LangChain
• Cloud-Deployment mit Heroku
• FlowML, TensorBoard und WandB
• Lokaler Einsatz mit FastAPI

Autor*in

Bert Gollnick
Bert Gollnick ist Senior Data Scientist mit Schwerpunkt auf künstlicher Intelligenz. Er unterrichtet Kurse zu Data Science und Machine Learning inklusive generativer KI und natürlicher Sprachverarbeitung. Bert hat an der Technischen Universität Berlin Luft- und Raumfahrttechnik und an der Universität Hagen Volkswirtschaftslehre studiert. Nach 17 Jahren in der Industrie fokussiert er sich nun auf seine Schulungsfirma, um Teilnehmern künstliche Intelligenz näherzubringen.Er lebt und arbeitet in Hamburg und bietet Präsenzkurse im deutschsprachigen Raum sowie Online-Kurse auch für ein internationales Publikum an.

Themen in »PyTorch«

Deep Learning Machine Learning KI Künstliche Intelligenz Python installieren Modelle trainieren TensorBoard PyTorch Lightning HuggingFace LangChain FastAPI un-überwachtes Lernen Sprachmodell LLM Hand-Buch Bücher Know-how Tutorial Wissen Kurs Anleitung Leitfaden

Stimmen zu »PyTorch«

Details

Link teilen