KI Bilderkennung in Python - Deep Learning mit Keras

Unser Deep Learning Kurs führt Deep Learning (DL) Algorithmen für den Bereich der KI Bilderkennung ein. Das Besondere ist, dass jeder Teilnehmer in dieser Schulung auf einer eigenen high-performance GPU (NVIDIA Tesla P100) in der Cloud rechnet. Bilderkennung programmieren zu erlernen mit vielen praxis-orientierten Aufgaben ist das Ziel der Schulung. DL Algorithmen sind derzeit eine der wichtigsten Algorithmusklasse des Maschinellen Lernens, einem Teilgebiet der Künstlichen Intelligenz (KI, englisch: Artificial Intelligence (AI)) und sind bereits in vielen Bereichen in unserem Alltag integriert.

Dieser Kurs hat seinen Schwerpunkt in der Bilderkennung mit KI Algorithmen. Drei häufige Anwendungsfelder mit Bilddaten im Bereich Maschinelles Lernen Bilderkennung werden behandelt: Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. In der Industrie werden die behandelten Algorithmen u.a. in folgenden Bereichen eingesetzt:

• Erkennen von Symbolen (z.B. Zahlen und Buchstaben)
• Produktionsüberwachung (das visuelle Erkennen von Fehlern/Verschleiß bei Bauteilen)
• Pixel-weises Erkennen von Objekten / Menschen auf Dronen- bzw. Satellitenbildern,
• Visuelle Defekterkennung während des Produktionsprozess
• Erkennen von Objekten auf Kamerabildern, um so z.B. eine Sortierung, ein Greifen, o.ä. zu ermöglichen
• Die Lagebestimmung von Objekten auf Bild/Videodaten erkennen,
• Textur-/Oberflächenanalyse,
• Das automatische Tagging von Bildern, z.B. zur Ermöglichung einer textuellen Bildsuche

Diese Schulung führt in das Gebiet der Neuronalen Netze (Deep Learning Algorithmen) ein. Es werden die am häufigsten verwendeten Deep Learning Bildverarbeitungs Algorithmen (Neuronale Netze) theoretisch behandelt (u.a. Multi Layer Perceptron, Convolutional Neural Network) und in praktischen Übungen lernen Sie in Python mit den Framework Keras / Tensorflow mit high-performance GPUs Algorithmen für KI Bilderkennung zu programmieren. Python ist im Deep Learning die am häufigsten verwendete Sprache und Keras / Tensorflow ist eine der beliebtesten Bibliotheken zur einfachen Umsetzung von Deep Learning Algorithmen.

Verschiedene Neuronale Netze werden im Seminar auf unterschiedlichen Datensätzen trainiert. Wir behandeln typische Anwendungsfälle der Deep Learning Bilderkennung (Objektdetektion mit Bounding Boxes, Semantische Segmentierung, Bild-Klassifizierung). Dabei lernen wir die Leistungsfähigkeit der Algorithmen kennen und behandeln typische Probleme während des Trainings und deren Lösungsmöglichkeiten (u.a. Regularisierung während des Trainings).

Einfache Neuronale Netze mit verschiedenen Schichten (Layern) werden von den Teilnehmern entworfen und mit dem Framework Keras / Tensorflow in der Programmiersprache Python in der Cloud mit Jupyter Notebooks auf high-performance GPUs programmiert und trainiert. Es werden die Grundlagen vermittelt, um sich nach dem Seminar selbstständig weitere Anwendungsfälle im Deep Learning,  mit Fokus auf AI Bilderkennung, anzueignen und das Gelernte auf die eigene Problemstellungen anwenden zu können.

Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU, um die Neuronalen Netze im Bereich computer vision in Keras eigenständig programmieren und trainieren zu können. Der Zugang erfolgt im Seminar über den Webbrowser. So können typische Fragestellungen und Probleme, die in der realen, industriellen Umsetzung beim Rechnen mit GPUs auftreten, behandelt werden.

Vergleichen Sie unser Seminarangebot. Andere Deep Learning Schulungen bieten gar keine oder nur low-performance GPUs für die Teilnehmer.

Damit Sie direkt nach dem Kurs mit Deep Learning in Python Bilderkennung experimentieren können und das Gelernte weiter vertiefen können, übertragen wir Ihnen das komplette Seminar-Setup kostenlos (europäischer GPU-Host, Datenspeicherung in Europa, Linux Server), wobei Sie zusätzlich noch eine Woche GPU-Rechenzeit für den Einstieg erhalten (Kostenlose Registrierung beim GPU-Host notwendig. Sie erhalten ein Startguthaben, das etwa 30 h GPU-Rechenzeit entspricht. Die genaue Zeit variiert nach aktueller Preislage des GPU-Anbieters.).