Dieser kurze, praxisorientierte Kurs hilft den Teilnehmern dabei, Deep-Learning-Modelle für den Einsatz in der Praxis anzupassen und zu optimieren. Zunächst lernen die Teilnehmer, wie Transferlernen die Modellentwicklung bei begrenzten Datenmengen beschleunigt. In angeleiteten Übungen nehmen sie Feinabstimmungen an einem vortrainierten Modell vor, passen Strategien zum „Freezing“ und „Unfreezing“ an und beheben häufige Probleme beim Training. Anschließend widmet sich der Kurs der Bewertung von Modellkonfigurationen für den Einsatz, wobei der Schwerpunkt auf Genauigkeit, Latenz, Speicherbedarf und Effizienz liegt. Die Teilnehmer experimentieren mit Optimierungsmethoden wie der Hyperparameter-Anpassung und der Quantisierung, vergleichen verschiedene Modellkonfigurationen und geben fundierte Empfehlungen für Produktionsumgebungen. Am Ende sind die Teilnehmer in der Lage, Genauigkeit und Leistungsanforderungen souverän gegeneinander abzuwägen, um das richtige Modell für ihre Anforderungen auszuwählen.