Crashkurs Deep Learning für Einsteiger

• Einführung in Deep Learning mit Python und Keras/TensorFlow
• Datenvorbereitung: Normalisierung, One-Hot-Encoding und Vermeidung von Overfitting
• Entwicklung und Training von Multi-Layer Perceptrons (MLP)
• Aufbau und Funktionsweise von Convolutional Neural Networks (CNN) zur Bildklassifikation
• Training von Netzwerken: Backpropagation, Loss-Funktionen, Gewichtinitialisierung
• 
  

• • 
    
• • 
    
• • 
    

1 Tag

In diesem kompakten Kurs erhalten Sie einen fundierten Einstieg in die Welt der Künstlichen Intelligenz und des Deep Learning. Sie lernen die Grundlagen von Neuronalen Netzen und eine erste Anwendung in der Bildverarbeitung kennen. Anhand praktischer Beispiele erstellen und trainieren Sie eigene Modelle im Framework Keras / TensorFlow. Nach Abschluss des Seminars sind Sie in der Lage, einfache Deep-Learning-Modelle zu entwickeln, zu trainieren und auf neue Daten anzuwenden.

Erste Erfahrung mit Python (d.h. importieren von Modulen, Funktionen, Variablen) ist notwendig, um den Inhalten folgen zu können und bei den hands-on sessions mitzuarbeiten. Alternativ ist die gute Beherrschung einer anderen Programmiersprache möglich mit der Offenheit, die Grundkonzepte von Python in kurzer Zeit neu zu erlernen. Zudem sind Grundkenntnisse in Matrix und Vektor Multiplikation hilfreich. 
Hinweis: Die verwendeten Unterlagen sind auf Englisch, da die Dokumentation von Python im Internet vorwiegend Englisch ist. Englischkenntnisse beim Lesen von einfachen Texten sind daher notwendig. Die Schulungssprache ist Deutsch.

• Daten Vorbereitung
  • Overfitting beim Trainieren von Machine Learning Algorithmen
  • Train-Validation-Test Datensplit zur Detektion von Overfitting
  • Datennormalisierung
  • One-Hot encoding
  • Anwendung auf den MNIST Datensatz
     
• Multi-Layer-Perceptron (MLP) in Keras/TensorFlow (Neuronales Netz)
  • Wichtige Bauteile eines MLPs: Perceptron, Gewichte, Bias
  • Aktivierungsfunktionen
  • Softmax bei Klassifizierungsaufgaben
     
• Ein Netzwerk trainieren und auf neue Daten anwenden
  • Verschiedene Loss-Funktionen
  • Backpropagation: Trainieren von den GewichtenEpoche und Batch-Size
  • Den Output während des Trainings interpretieren
  • Das trainierte Netzwerk zur Vorhersage von neuen Daten verwenden
     
• Convolutional Neural Network (CNN)
  • Ein Convolution layer (Faltungsschicht)
  • Filter
  • Padding und Stride bei der Convolution
  • Max-Pooling Layer
  • Was lernt ein CNN auf den unterschiedlichen Layern?

Das Seminar richtet sich an an Fach- und Führungskräfte aus allen Unternehmensbereichen, an Interessierte für Künstliche Intelligenz mit erster Erfahrung in der Programmierung in Python, welche einen Einblick in Deep Learning mit Python in Keras / TensorFlow erhalten möchten und erste eigene Netzwerke umsetzen möchten.