Live-Online: Computer Vision: Bilderkennung und Bildanalyse mit Künstlicher Intelligenz

1. Grundlagen der Computer Vision

• Warum Deep Learning für Computer-Vision-Aufgaben?
• Aufbau und Funktionsweise von Neuronalen Netzen
• Neuronale Netze in der Bildverarbeitung

2. Einführung in TensorFlow und Keras

• Funktionen und Zusammenarbeit der Frameworks
• Erstellen und Trainieren neuronaler Netze

3. Convolutional Neural Networks (CNN)

• Architektur und Funktionsweise von CNN
• Wie werden Bilddaten in CNN verarbeitet?
• Praxisübung: Bildklassifikation mit CNN durchführen

4. Bilddaten-Augmentation in der Praxis

• Das Konzept der Daten-Augmentierung
• Verschiedene Augmentierungstechniken
• Wie verbessere ich mein Modell mit Augmentierung?

5. Transfer Learning in der Bildklassifikation

• Motivation und Funktionsweise von Transfer Learning
• Verwendung vortrainierter Modelle
• Finetuning vortrainierter Modelle für spezifische Aufgaben

6. Erklärbare Bildklassifikation

• Motivation und Herausforderungen von Explainable AI
• Methoden, mit denen KI-Modelle erklärbar werden
• Praktische Beispiele für Anwendung und Umsetzung

7. Einführung in PyTorch

• Überblick über das PyTorch-Framework
• Vergleich zu TensorFlow und Keras
• Eine Praxisübung mit PyTorch

8. Objekterkennung

• Herausforderungen in der Objekterkennung
• Die YOLO-Architektur und ihre Anwendung
• Praxisübung: Objekterkennung auf eigenen Daten

9. Bildsegmentierung

• Überblick über Segmentierungsverfahren
• Bildsegmentierung mit CNN
• Image Retrieval mit Embeddings

10. Generative und multimodale KI

• Generative Adversarial Networks (GAN)
• Variational Autoencoder (VAE)
• Multimodale Large Language Models
• Verbindung von Bild- und Textdaten

Schneller Einstieg in Computer Vision: Du verstehst die wichtigsten Architekturen – von CNNs über YOLO bis zu Vision Transformern – und wählst für jede Aufgabe das optimale Modell aus.

Höhere Modellqualität: Durch Data-Augmentation, Transfer Learning und Explainable-AI-Techniken erhöhst du Präzision und Vertrauen in deine Ergebnisse.

Fundierte Technologie-Entscheidungen: Best-Practice-Vergleiche zwischen TensorFlow/Keras und PyTorch, verbunden mit Deployment-Optionen von Cloud bis Edge, geben dir eine klare Roadmap für eigene Projekte.

Robuste Produktionseinsätze:Du lernst, Domänenshifts zu erkennen, kleine Objekte verlässlich zu detektieren und Fehlalarme zu minimieren – essenziell für Industrie-, Medizin- und Retail-Anwendungen.

Unterstützung beim Lerntransfer: Cloud-Lab, Quellcode, Jupyter Notebooks und Deploy-Blueprint sichern den Transfer in deinen Arbeitsalltag.

Software-Entwickler:innen, ML-Engineers, Data Scientists, Ingenieur:innen und IT-Berater:innen, die Bilddaten automatisiert auswerten oder visuelle Prüfungen digitalisieren wollen. Python-Grundkenntnisse werden vorausgesetzt.Vertieftes Data-Science-Wissen ist hilfreich, aber nicht zwingend erforderlich.