Deep Learning, Neuronale Netze und Visualisierung mit Python

Kursinhalte

Einführung und Übersicht

• Begriffsklärung: Machine Learning, Neuronale Netze, Deep Learning, AI, Perzeptron…
• Aufsetzen der Python-Umgebung (Scipy, Keras, TensorFlow…)
• Machine Learning Grundlagen

Python und Einführung in Machine Learning

• Crashkurs und Übersicht Numpy und Pandas
• Maschinelles lernen richtig verstehen ohne ML Bibliotheken
• Das Perzeptron
• Mathematische Grundlagen einfach erklärt
• Skalarprodukte und Heaviside-Funktion (ja wirklich Heaviside)
• Delta-Regeln
• Neuronen mit Bias
• Eingabe- und Ausgabe-Neuronen
• Lernrate und Training
• Visualisierung mit Matplotlib und Pandas

Datenaufbereitung, Testsets und Parameter

• Richtige Trainingsdaten auswählen
• Varianzen und potentielle Probleme
• Ungereimtheiten und Abweichungen finden
• Einschätzung Machbarkeit, Ressourcen-Aufwand, Genauigkeit & Co
• Daten vektorisieren und standardisieren
  • CSV- und Text-Dateien
  • Bilder
  • Andere Datenquellen

Neuronale Netze mit Tensorflow

• Übersicht und Architektur
• Tensorflow 2.0
• Was ist ein neuronales Netzwerk?
• Überwachtes lernen mit neuronalen Netzwerken
• Modelle für verschiedene Szenarien
• Arten von Algorithmen
• Bild-Klassifizierung
• Textverständnis
• Validierung der eigenen Modelle

Deep Learning und Keras

• Aktuelle Trends
• Anwendungsbereiche und aktuelle Beispiele
• Unüberwachtes lernen
• Arten von Netzwerken und Modellen
• Keras
• Dataset Objects
• Modelle trainieren
• GPU Optimierung
• Modell Konfigurationen
• KerasTuner
• Echte Beispiele von Anfang bis Ende
• Visualisierung des Modells

Gute Programmierkenntnisse, am besten in Python (Verstehen ist wichtiger als schreiben).

Zielgruppe

• Einsteiger im Bereich Machine Learning
• Data Scientists
• Software EntwicklerInnen