Sie lernen den kompletten Workflow des Machine Learnings mit der Deep-Learning Bibliothek Keras kennen. Angefangen von der Datenaufbereitung, über die Auswahl und das Anlernen der Modelle, bis hin zum Einsatz der trainierten Modelle zur Klassifikation und Prognose. Sie können Bild-, Text- und numerische Daten für Training und Schätzung vorbereiten. Sie kennen die konzeptuellen Grundlagen des Anlernens, die Verfahren zur Qualitätssicherung im Anlernprozess und die Varianten neuronaler Netze. Dazu gehören konvolutationale Netze (CNN) zur Verarbeitung von Bilddaten genauso wie rekurrente Netze (RNN) zur Verarbeitung von Text- und Zeitreihendaten. Die Konzepte werden anhand von Folien erklärt, an Beispielen verdeutlicht und gemeinsam in Python umgesetzt und eingeübt. Eine Vielzahl praktischer Übungen ergänzen den Lernprozess und ermöglichen es, die verschiedenen Lernszenarien selbstständig umzusetzen. Am Ende des Seminars sind Sie in der Lage, Daten und Optionen des Einsatzes neuronaler Netze zu prüfen, Modelle zielsicher auszuwählen und zu trainieren und Klassifizierer erfolgreich einzusetzen.
Details sehen und Formen abstrahieren: Konvolutionale Netze (CNN)
Konvolutionale Layer mit Keras aufbauen und anlernen
Vortrainierte Layer einsetzen
Mit Sequenzdaten arbeiten: Rekurrente neuronale Netze (RNN)
Zeitreihendaten und Textsequenzen: Eigenschaften und Eigenheiten
Neuronale Netze mit Gedächtnis (Feedforward vs. RNN)
Sequenzdaten mit LSTM (Long Short-Term Memory) aufbauen
Textdaten mit Embedding-Layers interpretieren
Feature Extraction: Numerische Daten, Bild und Text-Daten vorbereiten
Datenrepräsentation: Skalare, Vektoren & Matrizen in Numpy
Daten einlesen und vorbereiten mit Pandas, Scikit-learn und Keras
Qualitative Variablen und Dummy-Sets
Standardisierung von Daten
Dimensionsreduktion mit PCA
Bilddateien transformieren
Mit Textdaten arbeiten: Zerlegen, tokenizieren, vektorisieren und einbetten.
Dauer/zeitlicher Ablauf:
4 Tage
Zielgruppe:
Technisch interessierte Fachkräfte bzw. Projektleiter:innen, die einen Einstieg in die Anwendung fortgeschrittener Machine Learning Techniken suchen, um eigenständig Data Science Projekte zu gestalten. Die Teilnehmer:innen sollten über Grundkenntnisse in Python verfügen. Überdies ist die Kenntnis grundlegender statistischer Konzepte (z.B. Mittelwert, Standardabweichung, Normalverteilung, Regression) hilfreich.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
