Suche

LFD473 PyTorch in Practice: An Applications-First Approach

LFD473 ist der offizielle PyTorch-Kurs der Linux Foundation, deren PyTorch Foundation das Framework heute betreut. Im Mittelpunkt steht die Anwendung: Sie bauen in vier Tagen KI-Prototypen mit vortrainierten Modellen für Bilderkennung und Sprachverarbeitung, statt Modelle von Grund auf zu entwickeln.

  • 4 Tage
  • Einsteiger
  • Deutsch
  • 1.895 € zzgl. MwSt.
  • Bescheinigung und digitales Badge
Termin & Ort wählenAlle Termine

Auf einen Blick

Kurs
Seminar, 4 Tage, Niveau Einsteiger, Sprache Deutsch.
Preis
1.895 € netto pro Person (2.255,05 € inkl. 19 % MwSt.). Als Firmenseminar 1.795 € netto pro Tag.
Termine
21 Termine bis Januar 2027, online im Virtual Classroom und vor Ort in 23 Städten, u. a. Berlin, Bremen, Darmstadt und Dresden. Nächster Termin: 09.–12.11.2026.
Nachweis
Teilnahmebescheinigung und digitales Badge für jede Teilnahme.

Worum es geht

Nach den Grundlagen von PyTorch mit Datasets, Dataloadern und Trainingsschleife folgen praktische Übungen zu Bildklassifikation, Objekterkennung, Stimmungsanalyse, Textklassifikation und Fragen an Dokumente. Sie lernen, Modelle aus dem PyTorch- und Hugging-Face-Ökosystem mit eigenen Daten feinabzustimmen und Prototypen mit TorchServe bereitzustellen.

Für KI-Teams im Gesundheitswesen ist das ein schneller Weg vom Anwendungsfall zum funktionierenden Prototyp, etwa für die Auswertung von Bildern oder Freitexten. Empfohlen sind gute Python-Kenntnisse und Grundwissen im maschinellen Lernen.

Ziel des Seminars

In dieser 4‑tägigen Schulung „LFD473 PyTorch in Practice: An Applications-First Approach" liegt der Fokus darauf, Ihnen praxisorientierte Kenntnisse zu PyTorch zu vermitteln und Sie zu befähigen, KI‑Applikationen zu prototypen.

Sie starten mit der Entwicklung von AI‑Applikationen mit PyTorch und nutzen leistungsstarke vortrainierte Modelle aus den Bereichen Computer Vision und Natural Language Processing (NLP), um eine breite Palette von praktischen, realen Herausforderungen mit einem der beliebtesten Deep‑Learning‑Frameworks zu lösen.

Der Kurs beginnt mit einem Überblick über PyTorch, einschließlich Model classes, Datasets, Data loaders und dem Training loop. Anschließend wird gezeigt, wie Sie dieses mit vortrainierten Modellen nutzen.

Praktische Lab‑Exercises umfassen multiple Themen: Image Classification, Object Detection, Sentiment Analysis, Text Classification sowie Text Generation/Completion. Sie lernen, vorhandene Modelle mit Ihren eigenen Daten zu fine‑tunen und zusätzlich third‑party APIs zu nutzen.

Der Kurs bietet Hands‑On‑Experience, um Deep‑Learning‑Modelle mit den PyTorch‑ und Hugging‑Face‑Ecosystems von vortrainierten Modellen für Computer‑Vision‑ und NLP‑Tasks zu trainieren und zu fine‑tunen. Zusätzlich können Sie Prototype‑Applications mit TorchServe bereitstellen, um Anwendungen schnell zu validieren und zu demonstrieren.

Die Schulung deckt praxisnahe Anwendungsfälle ab, darunter Computer Vision, Natural Language Processing, Objekterkennung, Bildsegmentierung, Textklassifikation, Sentiment Analysis, Text Generation/Completion und Large Language Models (LLMs). Mithilfe von Hands‑On‑Übungen werden Ihnen die Kenntnisse vermittelt, Modelle zu erstellen, zu bewerten und zu fine‑tunen.

Für wen

  • Entwickler
  • KI-Entwickler
  • Data Scientist

Inhalte

Einführung
  • Die Linux Foundation
  • Die Linux Foundation Training
  • Die Linux Foundation Certifications
  • Die Linux Foundation Digital Badges
  • Die Linux Foundation Subscriptions
  • Lab Exercises, Lösungen und Ressourcen
  • Änderungen in Linux und Open-Source-Projekten
  • Plattform-Details
PyTorch, Datensätze und Modelle
  • Was ist PyTorch?
  • Das PyTorch-Ökosystem
  • Supervised vs. Unsupervised Learning
  • Softwareentwicklung vs. Machine Learning und Deep Learning
  • „Hello Model“
  • Naming Is Hard
  • Setup and Environment
Erstellung des ersten Datensatzes
  • Tensors, Devices und CUDA
  • Datasets
  • Dataloaders
  • Datapipes
  • Lab 1A: Non-Linear Regression
Training Ihres ersten Modells
  • Recap
  • Models
  • Loss Functions
  • Gradients und Autograd
  • Optimizers
  • The Raw Training Loop
  • Evaluation
  • Saving and Loading Models
  • NonLinearities
  • Lab 1B: Non-Linear Regression
Erstellung Ihres ersten Hugging Face-Datensatzes
  • A New Dataset
  • Lab 2: Price Prediction
  • Tour of High Level Libraries
Transfer Learning und Pretrained Models
  • What is Transfer Learning?
  • Torch Hub
  • Computer Vision
  • Dropout
  • ImageFolder Dataset
  • Lab 3: Classifying Images
Pretrained Models for Computer Vision
  • PyTorch Image Models
  • Hugging Face
Natural Language Processing
  • Natural Language Processing
  • One Logit or Two Logits?
  • Cross-Entropy Loss
  • TensorBoard
  • Lab 4: Sentiment Analysis
  • Hugging Face Pipelines
  • Generative Models
Image Classification mit Torchvision
  • Torchvision
  • Pretrained Models as Feature Extractors
Fine-Tuning Pretrained Models for Computer Vision
  • Fine-Tuning Pretrained Models
  • Zero-Shot Image Classification
Serving Models mit TorchServe
  • Archiving and Serving Models
  • TorchServe
Objekterkennung und Bildsegmentierung
  • Object Detection, Image Segmentation und Keypoint Detection
  • Bounding Boxes
  • Torchvision Operators
  • Transforms (V2)
  • Benutzerdefinierter Datensatz für Objekterkennung
  • Lab 5A: Fine-Tuning Object Detection Models
Modelle für Objekterkennung und Bildsegmentierung
  • Models
  • Lab 5B: Fine-Tuning Object Detection Models
Evaluation von Objekterkennungsmodellen
  • Recap
  • Making Predictions
  • Evaluation
  • YOLO
  • Hugging Face Pipelines for Object Detection
  • Zero-Shot Object Detection
Word Embeddings und Textklassifikation
  • AG News Dataset
  • Tokenization
  • Embeddings
  • Vector Databases
  • Zero-Shot Text Classification
  • Chunking Strategies
  • Lab 6: Text Classification using Embeddings
Contextual Word Embeddings mit Transformers
  • Attention is All You Need
  • Transformer
  • An Encoder-Based Model for Classification
  • Contextual Embeddings
Hugging Face Pipelines for NLP Tasks
  • Hugging Face Pipelines
  • Lab 7: Document Q&A
Question Answering, Summarization und LLMs
  • EDGAR Dataset
  • Hallucinations
  • Asymmetric Semantic Search
  • ROUGE Score
  • Decoder-Based Models
  • Large Language Models (LLMs)
Closing and Evaluation Survey
  • Evaluation Survey

Voraussetzungen

Formal gibt es keine zwingenden Voraussetzungen. Für eine optimale Teilnahme empfehlen wir folgende Vorkenntnisse:

  • Python: Grundkenntnisse, insbesondere Kenntnisse des object-oriented programming (OOP)
  • PyData Stack:NumPy, Pandas, Matplotlib, Scikit-Learn,
  • Machine Learning Konzepte: Supervised Learning, Loss Functions, Train–Validation–Test Split, Evaluation Metrics

Grundlegende Kenntnisse in Computer Vision und Natural Language Processing sind hilfreich, aber nicht zwingend erforderlich.

Methode

Die Schulung bietet Ihnen eine ausgewogene Mischung aus Theorie und Praxis. Sie tauschen sich direkt mit projekterfahrenen Trainerinnen und Trainern und den anderen Teilnehmenden aus.

Zertifizierung

  • Sie erhalten 12 Monate Zugang zum Onlinekurs (für Wiederholungen und Nacharbeitung)

Lernpfad Datenanalyse mit Python

  1. Davor
  2. Dieses SeminarLFD473 PyTorch in Practice

Ihre Vorteile

  • Trainer mit Projekterfahrung: Sie lernen bei Expertinnen und Experten, die nicht nur schulen, sondern selbst Projekte umsetzen – etwa KI- und Datenprojekte. So erfahren Sie, worauf es in der Praxis ankommt.
  • Offizielle Schulungsumgebung (LAB)
  • Teilnahmebescheinigung und digitales Badge

Häufige Fragen zu LFD473 PyTorch in Practice

Für wen im Gesundheitswesen eignet sich LFD473?

Der Kurs richtet sich an Entwicklerinnen, Entwickler und Data Scientists, die KI-Anwendungen selbst bauen möchten. Im Gesundheitswesen passt er zu Daten- und KI-Teams in Krankenhäusern, Forschungseinrichtungen und Krankenkassen, die Prototypen etwa für Bild- oder Textanalyse entwickeln.

Welche Vorkenntnisse brauche ich für LFD473?

Formale Voraussetzungen gibt es nicht. Empfohlen sind Python-Kenntnisse einschließlich objektorientierter Programmierung, Erfahrung mit NumPy, Pandas, Matplotlib und Scikit-learn sowie Grundbegriffe des maschinellen Lernens wie Loss-Funktionen und Train-Test-Split.

Welche Themen deckt der Kurs ab?

Grundlagen von PyTorch mit Datasets, Dataloadern und Trainingsschleife, Transfer Learning, Bildklassifikation, Objekterkennung und Segmentierung, Textklassifikation mit Embeddings, Transformer-Modelle, Hugging-Face-Pipelines, Question Answering mit großen Sprachmodellen und die Bereitstellung mit TorchServe.

Welche Unterlagen erhalte ich?

Der Kurs arbeitet mit den offiziellen englischsprachigen Unterlagen und der Schulungsumgebung der Linux Foundation. Sie erhalten zusätzlich zwölf Monate Zugang zum Onlinekurs, um Inhalte zu wiederholen.

Was kostet das Seminar LFD473 PyTorch in Practice?

Die Teilnahme kostet 1.895 € netto pro Person, das sind 2.255,05 € inklusive 19 % Mehrwertsteuer. Im Preis enthalten: Offizielle Schulungsumgebung (LAB). Als Firmenseminar exklusiv für Ihr Team berechnen wir 1.795 € netto pro Schulungstag.

Wann und wo findet LFD473 PyTorch in Practice statt?

Das Seminar dauert 4 Tage. Bis Januar 2027 gibt es 21 Termine, online im Virtual Classroom und vor Ort in 23 Städten, u. a. Berlin, Bremen, Darmstadt, Dresden, Düsseldorf und Essen. Der nächste Termin ist am 09.–12.11.2026.

Erhalte ich nach LFD473 PyTorch in Practice einen Nachweis?

Ja. Jede Teilnahme erhält eine Teilnahmebescheinigung und ein digitales Badge.

Kann ich LFD473 PyTorch in Practice als Firmenseminar für mein Team buchen?

Ja. Als Firmenseminar findet LFD473 PyTorch in Practice exklusiv für Ihr Team statt – bei Ihnen vor Ort oder online, zu einem Termin Ihrer Wahl. Der Tagessatz beträgt 1.795 € netto.

Passendes Wissen

Alle Artikel

Termine & Orte

Offener Kurs · 1.895 € pro Person zzgl. MwSt. Klicken Sie auf einen Ort, um genau diesen Termin anzufragen.

Termine und Orte werden täglich aus dem Seminarkatalog aktualisiert, zuletzt am 3.11.2026.

Mehr zum Thema: Künstliche Intelligenz

KI sicher und wirksam einsetzen – Anwendungsfälle, KI-Richtlinie, Datenschutz und KI-Kompetenz für alle Rollen.

Ähnliche Seminare

Alle Seminare: Künstliche Intelligenz

Lassen Sie uns über Ihr Projekt sprechen.

Unverbindliches Erstgespräch zu Beratung, Projekt oder Schulung.

Gespräch anfrageninfo@digitalhealthexperts.de