Deep Learning mit TensorFlow

Kompetenzziele

• Zentrale Begriffe des Machine Learning als Basis für Deep Learning einordnen
• Trainingsdaten über SQL aus Datenbanken beziehen und vorbereiten
• Modelle in TensorFlow aufbauen und neuronale Netze trainieren
• Schichten, Neuronen und Aktivierungsfunktionen eines Netzes gezielt festlegen
• Optimierungsverfahren auswählen und die Modellgüte evaluieren
• Ein eigenes Deep-Learning-Modell umsetzen und dessen Ergebnisse visualisieren

Themen und Zusammenhänge

Die Deep Learning Grundlagen setzen bei Machine Learning und Datenhaltung an: Begriffe wie Trainings- und Testdaten, Datenbanken und der Datenzugriff über SQL bilden die Voraussetzung für jedes Modell. Mit TensorFlow werden darauf neuronale Netze aufgebaut, trainiert und hinsichtlich ihrer Modellgüte bewertet.

Die Architektur neuronaler Netze wird im Detail betrachtet: Struktur und Schichten, Aktivierungsfunktionen wie ReLU und Sigmoid sowie Optimierungsverfahren wie der Gradientenabstieg. Solche KI-Modelle erweitern Data Analytics und Business Intelligence um Verfahren, die auch nichtlineare Zusammenhänge abbilden. Im Projekt, das den Deep Learning Kurs abschließt, wird ein Deep-Learning-Modell vollständig umgesetzt: Datenvorbereitung, Training in TensorFlow, Optimierung und Visualisierung der Ergebnisse.

Berufliche Perspektiven

Einsatzfelder bestehen in Data-Science- und KI-Teams, die neuronale Netze entwickeln, optimieren und in Analyseprozesse einbinden.

• Deep Learning Engineer bzw. Entwickler:in für neuronale Netze
• KI-Entwickler:in mit Schwerpunkt TensorFlow
• Data Scientist mit Fokus auf Deep-Learning-Modelle
• Machine Learning Engineer für Training und Optimierung von KI-Modellen