Ausbildung zum Deep Learning Engineer

• Der berufsbegleitende Zertifikatslehrgang setzt sich aus vier Modulen (8 Schulungstagen) zusammen und wird durch Selbstlernphasen (ca. 4-6h) ergänzt, bei denen die Teilnehmer mit praktischen Übungen zwischen jedem Modul arbeiten. 
  
  Module im Überblick:
  1. Deep Learning: Einführung, Grundlagen & Vertiefung (Essentials von Deep Learning und Keras, Datenaufbereitung, Architekturen (MLP, CNN), Training von Netzwerken)
  
  2. Deep Learning mit Bilddaten (Klassifizierung, Object Detection, Semantische Segmentierung, Training bei wenigen Daten, Unsicherheitsbestimmung, Semi-Supervised Learning)
  
  3. Deep Learning mit Sequenzdaten: Text und Zeitreihen (Vorbereitung der Daten und bekannte Architekturen (RNN; LSTM). Grundlagen vom Natural Language Processing (NLP))
  
  4. Deployment und Strategien zur Anwendung im Unternehmenskontext (Web Applikation streamlit zum Deployment, exemplarische Anwendungen im Deep Learning, Handlungsempfehlung für den unmittelbaren Einsatz im Unternehmen)

• Die Teilnehmenden lernen modulübergreifend häufig verwendete Neuronale Netzwerkstrukturen in Theorie kennen (u.a. Multi Layer Perceptron (MLP), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU)) und setzen diese hands-on mit Keras (Tensorflow) in Python auf einer eigenen GPU (Graphics Processing Unit) in der Cloud um. 
• In verschiedenen Anwendungsszenarien (z.B. Objektdetektion mit Bounding Boxes, Semantische Segmentierung, Bild-Klassifizierung, Text Sentiment Analysis, Predictive Maintenance) mit verschiedenen Datensätzen werden Teilnehmende unterschiedliche Neuronale Netze umsetzen, trainieren und deren Leistungsfähigkeit kennenlernen. Dabei werden typische Fragestellungen und praktische Handlungsempfehlungen diskutiert (u.a. Regularisierung während des Trainings, Dropout, Keras Callbacks, Data Augmentation, Fine Tuning).
• Im Deployment lernen die Teilnehmenden schließlich, wie Sie Ihre Ergebnisse Kollegen aus IT-fernen Fachbereichen mittels einer Web App zur Verfügung stellen können. Das ist ein unmittelbarer Mehrwert des Lehrgangs, denn der Wissenstransfer ins eigene Unternehmen und unternehmensbezogene Prozesse und Projekte sind ein zentraler Schwerpunkt.
• Zwischen den Modulen werden Aufgaben zur Bearbeitung gestellt. Hierbei können die Teilnehmer das Erlernte direkt vertiefen und selbstständig auch auf ihre eigenen Fragestellungen übertragen. Zur Unterstützung besteht zwischen jedem Modul die Möglichkeit, in einer 90-minütigen Q&A Session offene Fragen mit den Dozenten zu diskutieren. Dabei besteht über den gesamten Lehrgang hinweg auch die Möglichkeit, direkt mit den Dozenten im Austausch zu stehen.

Das erlernte Wissen können Sie anschließend direkt in Ihrem Unternehmen praktisch anwenden. 

• Der Lehrgang bietet einen optimalen Mix aus Theorie und Praxis. Durch das erlernte Wissen mit Keras sind Teilnehmende anschließend in der Lage, selbstständig Deep Learning-Anwendungen trainieren. 
• Teilnehmenden wird aufgezeigt, wie sie potenzielle Anwendungsfälle Im Unternehmenskontext detektieren und als Projekte initiieren. 
• Jeder Teilnehmende erhält eine eigens eingerichtete NVIDIA Tesla P100 GPU in der Cloud und lernt so unmittelbar, was Sie beim Trainieren auf einer GPU beachten müssen. Zwischen allen Modulen sind 100h an GPU Übungszeit inklusive. 
• Die Referenten stehen den Teilnehmern auch zwischen den Modulen bei konkreten Fragestellungen zur Verfügung (Q&A Sessions). 
• Die Teilnehmenden lernen von Top-Referenten aus Wirtschaft und Forschung mit langjähriger Berufserfahrung im Bereich KI und Data Analytics

Bitte beachten Sie, dass dieser Lehrgang kein Anfängerkurs ist. Für den Lehrgang benötigen Teilnehmer erste Erfahrung in Python bzw. die Beherrschung einer anderen Programmiersprache. Notwendig sind neben den Programmierkenntnissen grundlegende Vorkenntnisse im Bereich der Statistik, Begriffsdefinitionen wie bspw. Mittelwert, Median, Standardabweichung, Normalverteilung) und Kenntnisse grundlegender mathematischer Symbole und Begriffe (Summenzeichen, Integral, Funktion, Ableitung, Menge der natürlichen und reellen Zahlen, Vektor, Matrix).

Voraussetzung für den Erhalt des Zertifikats ist die Bearbeitung unterschiedlicher Aufgaben zwischen den Modulen 3 und 4. Die Aufgaben werden im Rahmen von Modul ausführlich ausgewertet und diskutiert.

Seminarprogramm | Tag 1

• Einführung in Künstliche Intelligenz und Machine Learning
  • Was sind Künstliche Intelligenz, Machine Learning und Deep Learning?
  • Welche Aufgaben lassen sich mit Deep Learning lösen?
• Machine Learning und Deep Learning – Grundlagen
  • Einführung in grundlegende Begriffe
  • Trainings- und Inferenzphase
  • Bedeutung der Varianz der Trainingsdaten
  • Overfitting als Gefahr beim Machine Learning
  • Das MLP als wichtigstes Beispiel Neuronaler Netze
• Datenvorverarbeitung
  • Daten mittels Pandas einlesen
  • Datenvorverarbeitung mittels Pandas
  • Datenlücken behandeln, fehlerhafte Werte automatisch erkennen
• Fallstudie 1: Deep Learning zur Klassifikation von Kunden
  • Aufbau und Training eines Neuralen Netzes mittels Keras
  • Verändern wichtiger Hyperparameter (Einstellungen) des Neuronalen Netzes
  • Testen und Anwendung des Neuronale Netzes

Seminarprogramm | Tag 2

• Deep Learning: Wie funktioniert das eigentlich?
  • Einfache Einführung in die Funktionsweise eines Optimierers
  • Auswahl eines Optimierers
  • Systematisches Austesten verschiedener Optimierer
• Vertiefung: Neuronale Netze
  • Kurzvorstellung weiterer Neuronaler Netztypen
  • Rekurrente Netze für Zeitreihenprädiktionsaufgaben
• Fallstudie 2: Deep Learning zur Vorhersage von Verkaufspreisen
  • Verwendung eines Neuronalen Netzes zur Vorhersage von realistischen Verkaufspreisen
• Fallstudie 3: Deep Learning zur Vorhersage von Mieten
  • Verwendung eines Neuronalen Netzes zur Vorhersage von Mieten für Immobilien

Der berufsbegleitende Zertifikatslehrgang ist gerichtet an welche, die einen kompakten und praxisorientierten Einstieg in die konkrete Anwendung von Deep Learning Algorithmen erhalten möchten. Zur Zielgruppe gehören u.a. Data Scientists, Data Engineers, Data Analysts, Business Intelligence Analysts, angehende Machine Learning (ML) Engineers, DL/ML Entwicklungsingenieure, Medizintechniker, Informatiker, Softwareentwickler im autonomen Fahren, Applied DL/ML Engineer, Research Engineers.