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

Insbesondere konzentrieren sich die Themen auf Einsatzmöglichkeiten bei Deep Learning und blenden vieles aus, was dort üblicherweise nicht verwendet wird, wie z.B. GUI mit Tkinter oder Web.
In den letzten Jahren sind die Anwendungsmöglichkeiten von KI deutlich umfangreicher geworden, besonders stark hat sich das im Bereich Deep Learning gezeigt, der durch Transformer wie ChatGPT sogar in den Mainstream-Medien auftaucht. Meist wird als Programmiersprache Python verwendet, und bei den Frameworks führen Pytorch und Tensorflow, wobei sich Pytorch mehr an den Python-Konventionen orientiert und vieles ähnlich wie bei Numpy funktioniert.

Der Kurs vermittelt Intuition für die Konzepte aus Mathematik und Statistik, implementiert einige einfachere Anwendungen von Grund auf und zeigt am Ende den Einstieg in Pytorch mit dem Multilayer Perzeptron, das die Grundlage für neuronale Netze darstellt. Nach dem Kurs sind die Teilnehmer in der Lage, in die verschiedenen Kategorien von Deep Learning wie CNN, RNN einzusteigen.

Inhalt

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

Sprachkonzepte

• 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