Seminare
Seminare

KI Grundlagen - Deep Learning und Neuronale Netze mit Python

Seminar - Cegos Integrata GmbH

In diesem dreitägigen Kurs werden die Grundlagen von Künstlicher Intelligenz (KI) mit Keras-Tensorflow geschult. Der Fokus liegt auf Deep Learning für supervised und semi-supervised Anwendungsfälle. Sie werden die Neuronale Netzwerkarchitekturen Multi Layer Perceptron (MLP), Convolutional Neural Network (CNN) und die Modell Architektur SimCLR (Semi Supervised) kennenlernen. Das Framework Tensorflow/Keras wird dabei verwendet.

Unser Deep Learning-Kurs mit GPU-Nutzung bietet eine Einführung in Deep Learning-Algorithmen für die Verarbeitung von Bilddaten im Bereich des überwachten und semi-überwachten Lernens.
Deep Learning-Algorithmen sind derzeit eine wichtige Klasse von Algorithmen im Bereich des maschinellen Lernens und werden bereits in vielen Bereichen unseres Alltags eingesetzt. Im Kurs lernen Sie, geeignete Modelle zu trainieren, um sie zur Klassifikation oder Schätzung neuer Daten zu verwenden. Sie lernen auch die wichtigsten Aspekte der Programmierung von Deep Learning-Algorithmen in Tensorflow/Keras, einschließlich der Datenaufbereitung, des sequenziellen Einlesens großer Datenmengen, der Erstellung tiefer neuronaler Netze und der Anwendung der trainierten Modelle auf neue Daten. In praktischen Übungen werden gängige Varianten von Deep Neural Networks behandelt und vertieft. Die behandelten Algorithmen finden in verschiedenen Bereichen der Industrie Anwendung, wie z.B. dem Erkennen von Symbolen, der Produktionsüberwachung, der Textur-/Oberflächenan...

Termin Ort Preis*
16.12.2024- 18.12.2024 online 2.130,10 €
17.02.2025- 19.02.2025 online 2.130,10 €
31.03.2025- 02.04.2025 online 2.130,10 €
26.05.2025- 28.05.2025 Düsseldorf 2.130,10 €
23.07.2025- 25.07.2025 online 2.130,10 €
08.09.2025- 10.09.2025 online 2.130,10 €
03.11.2025- 05.11.2025 München 2.130,10 €
firmenintern auf Anfrage auf Anfrage

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:

Willkommen und Organisatorisches

  • Vorstellungsrunde der Teilnehmer
  • Erwartungen der Teilnehmer an den Kurs
  • Einführung in Jupyter Notebooks
  • Nutzung von Cloud-Ressourcen für Berechnungen

Grundlagen von Maschinellem Lernen und Künstlicher Intelligenz (KI)

  • Kurze Übersicht und historischer Hintergrund des Deep Learning
  • Verständnis von KI, Deep Learning und Machine Learning
  • Beispiele aktueller Deep Learning Algorithmen in marktüblichen Produkten
  • Eigenständige Erstellung und Schulung eines grundlegenden neuronalen Netzes mit Keras

Daten Aufbereitung

  • Effektive Vermeidung von Overfitting bei Machine Learning Algorithmen
  • Strukturierung der Daten durch Trainings-Validierungs-Test Split zur Overfitting-Erkennung
  • Optimale Datenvorbereitung durch Normalisierung und One-Hot Encoding
  • Anwendung dieser Methoden auf den MNIST Datensatz

Multi-Layer-Perceptron (MLP) in Keras/Tensorflow (Neuronales Netz)

  • Wichtige Elemente eines MLPs: Perceptron, Gewichtungen, Bias
  • Einsicht in Non-linearities (Aktivierungsfunktionen)
  • Einsatz von Softmax bei Klassifikationsaufgaben

Netzwerktraining und Anwendung auf neue Daten

  • Auswahl passender Loss-Funktionen je nach Aufgabe
  • Verständnis von Backpropagation: Anpassung der Gewichtungen
  • Initiierung der Gewichtungen für reibungsloses Training
  • Epochen und Batch-Size - Schlüsselparameter des Trainingsprozesses
  • Interpretation des Outputs während des Trainings
  • Einsatz des trainierten Modells für Vorhersagen auf neuen Daten

Convolutional Neural Network (CNN) - Teil I

  • Erläuterung der Convolutional Layer (Faltungsschicht)
  • Aufbau und Anwendung von Filtern
  • Steuerung von Padding und Stride bei der Convolution

Convolutional Neural Network (CNN) - Teil II

  • Optimierung der Anzahl an Channels und Filtern in der Faltungsschicht
  • Einfluss von Bias in einem CNN
  • Nutzung des Max-Pooling Layers für Dimensionalitätsreduktion
  • Analyse der Lernprozesse in verschiedenen Ebenen eines CNNs

Keras Callbacks für optimales Training

  • Implementierung und Einsatz von Keras Callbacks
  • Speicherung von Modellgewichtungen und Architektur
  • Frühzeitiges Beenden von Training mit Early Stopping
  • Steuerung der Lernrate durch Learning Rate Scheduler
  • Visualisierung des Trainingsverlaufs mit MlFlow

Bildklassifikation durch tiefe Netzwerke

  • Einsatz des Softmax-Layers für Klassifikationsprobleme
  • Berücksichtigung des Cross-Entropy Loss
  • Einblick in bekannte Netzwerkarchitekturen: VGG-16 und AlexNet
  • Anwendung von Regularisierungen: L2 Regularisierung, Drop-Out, Batch Normalisation
  • Laden eines vortrainierten Modells für weitere Nutzung

Daten Einlesen mittels TF.Data

  • Typischer Workflow für Datenverarbeitung mit tf.data
  • Effiziente Verarbeitung großer Datensätze
  • Beschleunigung des Einleseprozesses

Semi Supervised Learning (SSL) für breitere Anwendbarkeit

  • Übersicht über Semi Supervised Learning Ansätze
  • Einsatz des SimCLR Modells für Semi Supervised Learning
  • Eigenständige Erstellung eines individuellen tf.keras Modells
  • Nutzung des contrastive loss für Semi Supervised Learning

Best Practices für erfolgreiche Projekte

  • Einführung in bewährte Vorgehensweisen bei neuen Deep Learning Aufgaben
  • Hyperparameter Optimierung für optimale Modellleistung
  • Optimierung des Modells nach dem Training für bestmögliche Ergebnisse

Feintuning und vortrainierte Netzwerke für bessere Ergebnisse

  • Erläuterung weiterer etablierter Netzwerkarchitekturen: Inception-V3, ResNet
  • Zugang zu existierendem Code für bereits trainierte Netzwerke
  • Ausnutzung vortrainierter Netzwerke durch Feintuning und Transfer Learning
Dauer/zeitlicher Ablauf:
3 Tage
Teilnahmevoraussetzungen:
Für diese Künstliche Intelligenz Schulung werden gute Vorkenntnisse in einer anderen Programmiersprache oder erste Erfahrung mit Python vorausgesetzt. Es ist auch wichtig, Erfahrung im Umgang mit Daten zu haben. Zusätzlich haben sich folgende Kenntnisse als hilfreich erwiesen: das Schreiben einer Funktion in Python, das Laden von Python-Bibliotheken, das Schreiben einer for-Schleife oder das Zeichnen einer einfachen Grafik mit Matplotlib und Grundlagen in numpy. Es wird auch empfohlen, Grundlagen im Bereich der Statistik (Median, Mittelwert, Standardabweichung, Normalverteilung), Kenntnisse mathematischer Symbole und Begriffe wie das Summenzeichen, Integral, Funktion, Ableitung und Exponentialfunktion zu haben. Die Schulung verwendet Jupyter Notebook als Programmieroberfläche, die ohne Vorerfahrung genutzt werden kann. Es sind auch Englischkenntnisse (insbesondere im Verstehen von englischen Texten) sehr nützlich, da Python und die Internet-Dokumentationen auf Englisch sind. Daher werden die Folien im Kurs auch auf Englisch gehalten, während die Schulung selbst auf Deutsch ist.
Lehrgangsverlauf/Methoden:
Der Kurs zur Künstlichen Intelligenz legt großen Wert auf praktische Anwendungen. Während der Schulung werden die Konzepte anhand von Folien und Beispielen erklärt. In den Übungseinheiten haben die Teilnehmer die Möglichkeit, das Gelernte mithilfe der Programmiersprache Python in der Cloud mit Jupyter Notebooks umzusetzen. Der Trainer steht bei verschiedenen Aufgaben zur Unterstützung bereit und beantwortet Fragen.
Zielgruppe:
Diese Schulung bietet eine Einführung in Deep Learning / Künstliche Intelligenz und ist für Teilnehmer, die Neuronale Netze (Deep Learning Algorithmen) in Keras programmieren lernen möchten und einen Überblick über Möglichkeiten mit Keras zur Umsetzung von verschiedenen Neuronalen Netzwerken erhalten möchten.
Seminarkennung:
54520
Nach unten
Nach oben
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.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha