Kurzbeschreibung
Dies ist eine vom Dozenten geleitete Schulung zu Deep Learning. In den letzten 10 Jahren gab es auf dem Gebiet der Künstlichen Intelligenz (KI) eine Reihe von revolutionären Durchbrüchen. Die meisten dieser Durchbrüche gehen auf das Revival des alten, aber lange unterschätzten Teilgebietes des Maschinellen Lernens zurück, welches auf dem Einsatz von künstlichen neuronalen Netzen (KNN) basiert und welches heute unter dem Namen "Deep Learning" bekannt geworden ist.
Der Deep-Learning-Kurs gibt einen Überblick über die Hauptideen und Techniken des Deep-Learnings und behandelt die praktische Implementierung von Deep-Learning-Algorithmen mit Python und Tensorflow/Keras. Das Verhältnis der Schulung liegt bei rund 50% Zeitanteil für Wissensvermittlung und rund 50 % an Zeit für vier praktische Übungseinheiten.
Am Kursende haben die Teilnehmer ein entsprechendes Wissen vermittelt bekommen, um moderne Bilderkennungs-Algorithmen sowie Vorhersagemodelle für andere Aufgabenstellungen in wenigen Zeilen Code selber zu programmieren.
Voraussetzungen
• Grundkenntnisse in Python Programmierung.
• Mathematisches Grundverständnis für Linearer Algebra, Differenzialrechnung und Wahrscheinlichkeitsrechnung sind von Vorteil.
Seminarinhalt
Einleitung:
• Wie sind neuronale Netze aufgebaut?
• Hauptanwendungsgebiete von tiefen neuronalen Netzen.
• Überblick über Frameworks für tiefe neuronale Netze.
Das Sequential Model in Keras:
• Tensorflow logging level einstellen.
• Backpropagation
• Loss functions
• Aktivierungs-Funktionen
• Convolutional networks.
• Wichtige Keras-Layers für Bilder-Input.
• Allgemein wichtige Keras-Layers.
• Informationen über Keras-Layer-shapes erhalten.
• Ein Keras-Model kann als Keras-Layer eingesetzt werden.
• Logging und Monitoring der model.fit() Methode.
Die Keras functional API:
• Komplexe Netz-Architekturen.
• Shared Layers.
• String- oder Object-Argumente für die compile() Methode.
Ein Modell wieder verwenden. Transfer-Learning:
• Ein Modell speichern und wieder laden.
• Fixieren von internen Modell-Gewichten in verschiedenen Layern.
• Layers von einem Modell entfernen.
• Modelle mit mehreren Input-Layern und/oder Output-Layern.
Problematische Situationen - Lösungen dazu:
• Overfitting
• Explodierende / verschwindende Gradienten.
• Sehr große Datensätze.
Zielgruppen
Diese Schulung fokussiert Berufsrollen zu deren Aufgabenbereich die Erstellung von Machine Learning Modellen zählt und große und komplexe Datenmengen analysieren. Zu Ihnen zählen (Junior-) Data Analyst:innen, Machine Learning Engineers, Data Engineers, Data Scientists, Algorithm Developers, Machine Learning Engineers, Deep Learning Engineers und sonstige KI Spezialisten.
Preise und Termine
Software
Geschult wird grundsätzlich auf der aktuellesten Version von Keras, die für einen produktiven Betrieb eingesetzt werden kann. Sofern gewünscht kann auch auf anderen Versionen geschult werden.
benötigte Raumausstattung beim Kunden
Technologieausstattung für das Präsenztraining
• aktueller internetfähiger Büro PC / Laptop pro Schulungsteilnehmer
• Moderner Web Browser
• Leistungsfähiges WLAN / LAN Internetverbindung
Technologieausstattung des Teilnehmers bei Online Seminar als Virtual Classroom Training
• aktueller internetfähiger Büro PC / Laptop
• Moderner Web Browser
• gängiger Videokonferenz-Client
• Webcam
• Mikrofon
Seminarsprache
die Seminarsprache ist deutsch, sofern keine andere Angabe. Englisch ist in aller Regel machbar, andere Seminarsprachen sind möglich, fragen Sie bitte an.