PyTorch: Deep Learning mit PyTorch in der Praxis – Von der Auswahl des Verfahrens bis zum Deployment. Mit vollständigen Codebeispielen - Hardcover

Über die Autorin bzw. den Autor

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.

Von der hinteren Coverseite

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.

Daten und Modelle

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.

Unüberwachtes Lernen

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.

Große Sprachmodelle

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

Deployment und Evaluierung

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.