Data Science Deployment / Entwicklung von Deep Learning Web Apps​

Entwicklung von webbasierten Anwendungen zur Darstellung ihrer Daten und Datenanalysen und von Deep Learning Algorithmen

(*) zzgl. MwSt    (**) inkl. MwSt
Termin (3 Tage)
Ort
Belegung
Preise

10.05.21 –
12.05.21

Live-Online
Zoom Meeting
1.525,00  (*)
1.814,75 € (**)

19.07.21 –
21.07.21

München
Landsberger Straße 155
1.525,00  (*)
1.814,75 € (**)

04.10.21 –
06.10.21

Köln
Regus Schulungszentrum
1.525,00  (*)
1.814,75 € (**)

Schulung auf einen Blick

Über die Schulung

Data Science Kurs im Detail

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Über den Kurs

Schulung auf einen Blick

Bildungsschecks

Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.

Zielsetzung der Schulung ist es ein End to End Web Machine Learning Framework auf drei Arten zu demonstrieren: Tag 1 streamlit, Tag 2 flask und Tag 3 zusätzlich JavaScript. Mit jedem Tag steigert sich der Schwierigkeitsgrad und mit ihm auch die Flexibilität der Lösungen.

Das fertige Framework unterteilt sich in
– Daten Exploration
– Daten Visualisierung
– Klassifizierung/Labeling
– Neuronales Netz trainieren und Hyperparameter Tuning
– Inferenz, Bilder vorher sagen
In unserer Welt werden grosse Mengen an Daten generiert, jedoch bringen sie einem Unternehmen nur etwas, wenn man die nötigen Fähigkeiten und Werkzeuge hat, diese Daten gewinnbringend zu nutzen.
 
In dieser dreitägigen Schulung geht es darum webbasierte interaktive Anwendungen zu erstellen, die Kunden/ Kollegen aus anderen Bereichen eine Möglichkeit bieten auf allen Endgeräten hochkomplexe Algorithmen zu steueren und anzupassen, ohne jegliche programmierkenntnisse haben zu müssen.
 
Durch die im Kurs vorgestellten Methoden erhalten Sie eine komplett neue Perspektive und Möglichkeiten, um mit Ihren Daten zu interagieren und erhalten eine Grundlage ein Web Machine Lerning Framework zu erstellen, um Ihre Daten zu klassifizieren und damit neuronale Netze zu trainieren.

Der Kurs gliedert sich in drei Bereiche: vom schnellen Darstellen ihrer Daten und Algorithmen mit streamlit, einer Bibliothek, die nahtlos in Python integriert werden kann, bis zum hoch maßgeschneiterten Darstellen durch full-stack Webserver. Damit lernen Sie einerseits Ihre Ergebnisse schnell in Webapps zu visualisieren, als auch komplett personalisierte Webapps zu entwickeln.

Neben Streamlit führen wir Sie in die Webapp Entwicklung mit Python, Flask, HTML, JavaScript ein. Sie erlenen das Aufsetzen eines Webservers.

Am Ende des Kurses sind sie auch fähig Code für Web basierte grafische Oberflächen zu schreiben, mit denen Kollegen auch ohne Programmier- oder Deep Learning/ Data Science Kenntnisse, ihre Algorithmen auf neuen Daten trainieren oder anwenden können. Dies erleichtert das Ausprobieren von Künstliche Intelligenz Algorithmen auf unterschiedlichen Daten im Unternehmen.

10:00 – 10:15
Begrüßung und Organisatorisches
  • Vorstellungsrunde
  • Erwartungen der Teilnehmer
10:15 – 11:45
Grundlagen-python.jpg
Einführung in das open-source framework Streamlit
  • Streamlit als schnelle Möglichkeit Data Science Anwendungen zu visualisieren
  • Streamlit Gallery, Verwenden von bestehenden Code
  • Grenzen von Streamlit
11:45 – 12:00
Kaffeepause
12:00 – 13:30
streamlit_data_visualization2
Streamlit zum schnellen Visualisieren Ihrer Daten
  • Visualisierung von Daten im .csv Format
13:30 – 14:30
Mittagspause
14:30 – 16:00
classification_image_for_streamlit
Streamlit Webapp zum Darstellen eines Bild Klassifizierungs Deep Learning Algorithmus
  • Detailiertes Coding Beispiel
16:00 – 16:15
Kaffeepause
16:15 – 18:00
Bounding Boxes, Objekt Detektion. Skateboarder mit Boxen
Streamlit zum Visualisieren eines Objekt Detektierungs Neuronalen Netzes
  • Detailiertes Coding Beispiel
09:00 – 09:15
Rückblick und offene Fragen von Tag 1
09:15 – 10:45
full_stack_webserver
Einrichten eines full-stack Webservers mit Python, Flask, HTML, Bootstrap
  • Aufsetzen eines einfachen full-stack Webservers
  • HTML / CSS für personalisierte Webelemente
  • Flask als Micro Web Service
10:45 – 11:00
Kaffeepause
11:00 – 12:30
web_templating
Web Templating zum schnellen Bauen eines Webservices
  • Einführung in Webtemplating und das Python Paket Jinja
  • Anwendungsgebiete und Grenzen von jinja
12:30 – 13:30
Mittagspause
13:30 – 15:15
data_labeling
Anwendungsbeispiel: schnelles Labeling von Bild Daten
  • Erstellen einer GUI zum Klassifizieren von Bildern
  • Anbindung der GUI an das Dateisystem
15:15 – 15:30
Kaffeepause
15:30 – 17:00
training_process2
Anwendungsbeispiel: Überwachung eines Deep Learning Trainingprozesses & Hyperparameter tuning in Echtzeit während des Trainings
  • modifizieren eines bestehenden Deep Learning Trainings
09:00 – 09:15
Rückblick und offene Fragen von Tag 2
09:15 – 10:45
Text Analyse, eine Disziplin für Deep Learning
Einführung in JavaScript
  • interaktive Webseiten mit JavaScript
10:45 – 11:00
Kaffeepause
11:00 – 12:30
ajax_rest_api
AJAX, REST API und microservices
  • erlernen wie eine REST Anfrage gemacht wird – asynchrone Kommunikation mit einem Server
  • implementieren von microservices
  • dynamisches Ändern von Webinhalten
12:30 – 13:30
Mittagspause
13:30 – 15:15
generator.jpg
Labeling Werkzeug
  • Erstellen eines Labeling Tools, um Daten schnell zu labeln und sie dann für das Training eines neuronalen Netzes zu verwenden
15:15 – 15:30
Kaffeepause
15:30 – 17:00
convolutional_neural_network
Interaktives Training eines neuronalen Netzes und Inferenz
  • Erstellen einer Web basierten GUI
  • Verbinden aller gelernten Technologien
  • Trainieren eines neuronalen Netzes
  • Ändern der Hyperparameter während der Laufzeit
  • Inferenz und vorhersage von Bildern

Zielgruppe für das Deep Learning Deployment Seminar

Diese Machine Learning Web App Schulung ist für technisch interessierte Fachkräfte ausgelegt, welche Vorkenntnise im Bereich Deep Learning / Machine Learning oder Data Science haben. Sie möchten erlernen die Ergebnisse Ihrer Data Science Anwendungen professionell in Web Anwendungen darzustellen oder sie für Ihre Kollegen leichter zugänglich zu machen.

Voraussetzungen für die Data Science Web App Schulung

Grundkenntnisse in Python oder solide Erfahrung in einer anderen Programmiersprache werden vorausgesetzt. Sie sollten ein gewisses Grundwissen im Bereich Data Science / Maschinelles Lernen / Deep Learning haben. Sie sollten grob verstehen, wie Machine Learning Algorithmen funktionieren und mit Grundbegriffen wie „Neuronales Netz“ oder „Trainieren“ vertraut sind.

Didaktischer Aufbau der Schulung

Dieser Web App Entwicklungs Kurs mit Fokus auf Deep Learning ist sehr praktisch ausgelegt. Wir bieten viele Übungsaufgaben an. Sie, als Teilnehmer lösen diese selbstständig oder in Kleingruppen. Bei Fragen unterstützt der Dozent. Das Ziel ist es, das Erlernte gleich einzuüben und zu vertiefen. Unklarheiten können so direkt vom Trainer beseitigt werden.

Technik im Kurs

  • Die Teilnehmer benötigen für die Übungsaufgaben Laptops. Wir empfehlen, Ihren eigenen Laptop mit der vorab installierten Software mitzubringen. Eine genaue Installationsanleitung für die Software wird Ihnen vor dem Seminar per E-mail zugesandt. Auf Anfrage stellen wir auch Schulungslaptops zur Verfügung.
  • Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Kurs online zum Download zur Verfügung gestellt. Sie erhalten vor der Schulung per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können.
  • Sie sollten sich in firmenfremde WLAN-Netze registrieren können.
  • Als Backup Lösung ist es möglich, dass der USB Port bei Ihrem Laptop freigeschalten ist, um damit im Seminar verwendete Dateien oder sonstige Unterlagen übertragen zu können.
  • In der Schulung wird das Betriebssystem Windows verwendet. Der Umgang mit Ihrem verwendeten Betriebssystem und Laptop sollte bekannt sein. Insbesondere sollten Sie ohne Schwierigkeiten Sonderzeichen auf der Tastatur finden (insbesondere bei Apple Geräten werden auf manchen Tastaturen nicht immer runde, eckige bzw. geschweifte Klammern dargestellt).

Wir bieten den Kurs in folgender Stadt an: Stuttgart. Falls Sie die Schulung gerne in einer anderen Stadt oder direkt bei Ihnen im Unternehmen besuchen möchten, kontaktieren Sie uns gerne.

Definitiv. Sie werden sich im Kurs wohlfühlen. Die erste von vier Lektionen am ersten Tag schafft die Grundlagen und sie können den Editor gleich selbst ausprobieren. Ab der zweiten Lektion ist mindestens die Hälfte der Zeit zum selbstständigen Üben, so dass Sie das Besprochene direkt coden können und selbst erkennen, wo noch Fragen bestehen, die Sie mit dem Dozenten direkt besprechen können.

Im Seminar enthält jeder Block (meist über etwa 90 Minuten) eine oder mehrere Theorie- und Praxiseinheiten. Die Theorieeinheit dient dazu, Ihnen das nötige Wissen zu vermitteln, um die Übungsaufgaben zu verstehen und selbstständig lösen zu können. Wir verzichten auf langatmige, wissenschaftliche Theorieeinheiten und konzentrieren uns auf den theoretischen Stoff der zu einem besseren Verständnis beiträgt. Der Fokus liegt auf der Praxis, d.h. dem Codeschreiben und Lösen von kleinen Verständnisaufgaben zum Lernstoff. Fragen von Teilnehmern sind jederzeit möglich. Während der Praxiseinheit werden die Fragen individuell vom Dozenten beantwortet. Fragen von allgemeinem Interesse werden allen Teilnehmern erklärt. Die Folien, welche die Theorie und weitere Erklärungen vom Code enthalten erhalten Sie als pdf und in gedruckter Version. Codebeispiele und die Musterlösung der Übungsaufgaben liegen digital vor.

Die Übungen bestehen hauptsächlich aus Coding Aufgaben, d.h. Sie schreiben entweder kurze Codebeispiele oder Sie werden gefragt, Codelücken in einem bestehenden Code zu ergänzen. Letzteres schult auch das Codeverstehen. Die Aufgaben sind so gewählt, dass die wichtigen Aufgaben von allen Teilnehmern in der verfügbaren Zeit gelöst werden können. Wir haben Coding Aufgaben unterschiedlichen Schwierigkeitsgrades vorbereitet, so dass schnellere Teilnehmer oder Teilnehmer mit Vorwissen zusätzlich an weiteren Aufgaben üben können. Desweiteren gibt es für manche Kapitel kurze Kontrollfragen zum Theorieteil.

Über den Kurs

Schulung auf einen Blick

Bildungsschecks

Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.

Warum bei Enable AI buchen

Leistungen im Kurs

Durchführungsgarantie

Die Trainer, die in exklusiver Kooperation mit Enable AI zusammen arbeiten, kommen alle aus der Praxis und vermitteln praxisnahes, aktuelles Wissen auf leicht verständliche Art und Weise mit dem Ziel, dass Sie in Ihrer Arbeit das Wissen direkt anwenden können.

Zufriedenheitsgarantie

Sollten Sie in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. Ohne Wenn und Aber.

Wissensgarantie

Falls Ihr(e) MitarbeiterIn unerwarteterweise innerhalb eines halben Jahres nach dem Besuchen eines Kurses für mehr als 6 Monate (Krankheit, Elternzeit, Sabbatical,...) ihr Unternehmen verlässt, darf kostenlos ein Kollege innerhalb eines Jahres ab dem Verlassen des Kollegens ein stattfindendes Seminar mit demselben Inhalt besuchen.

Hands-on Schulungen

Die Kurse sind hands-on Trainings, mit vielen Coding Übungen (inkl. digitalen Musterlösungen). Denn durch praktische Beispiele lernt man am meisten.

Individuelle Schulungen

Wenn es im Interessen der Schulungsgruppe ist, ändert der Trainer das Seminar nach Ihren Wünschen ab bzw. integriert Ihre Daten nach Rücksprache in den Kurs.

Aktualisierte Schulungen

Sollten Sie eine Schulung zweimal besuchen, wird diese nicht identisch sein. Ihr Feedback wird berücksichtigt und die Schulungen werden an die aktuelle Themen in Forschung und Entwicklung angepasst.

Trainer aus der Praxis

Die Trainer, die in exklusiver Kooperation mit Enable AI zusammen arbeiten, kommen alle aus der Praxis und vermitteln praxisnahes, aktuelles Wissen auf leicht verständliche Art und Weise mit dem Ziel, dass Sie in Ihrer Arbeit das Wissen direkt anwenden können.

Kleine Gruppen

Garantierte maximale Gruppengröße von 10 Teilnehmern. Im Durchschnitt besuchen 6 Teilnehmer einen Kurs.

Fundiertes Wissen

Vor der Zusammenarbeit werden unsere Trainer geprüft. Alle besitzen fundierte Kenntnisse, u.a. durch Studium, Promotion und Berufserfahrung in den Bereichen Mathematik, Informatik, Statistik und Machine/Deep Learning.

Thematisch ähnliche
Schulungen

Auswahl ähnlicher Kurse wie der Python Data Science Kurs

Weitere Seminare und Termine

Die nächsten Kurse

Übersicht über die kommenden Schulungen in Machine Learning, Deep Learning, Data Science und Statistik.

(5 Tage) Einstieg in die Programmiersprache Python mit Fokus auf Data Science / Machine Learning. Mit u.a. folgenden Algorithmen: Regression, Random Forest, Clustering. Verwendete Pakete: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.

(1 Tag) Einführung in Künstliche Intelligenz, Maschinelles Lernen und Deep Learning: Voraussetzungen, Möglichkeiten und Grenzen der KI. Zielgruppe sind Führungskräfte, welche das Potential von KI in ihrem Unternehmen realistisch einschätzen möchten.

(3 Tage) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.

3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.

(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.

(3 Tage) Kompakter Einstieg in Python für Datenanalyse und Data Science. Grundlagen über pandas DataFrame, Grafiken erstellen, Machine Learning und erste Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, seaborn, scikit-learn.

(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.

(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.

(3 Tage) Einführung in die Datenanalyse und Machine Learning mit R. Wichtige Datenstrukturen in R, das Paket data.table für effiziente Datenanalyse. Statistiken berechnen. Eigene Funktionen schreiben. Plotten mit ggplot2. Erste ML-Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering).

(1 Tag) Einführung in Künstliche Intelligenz, Maschinelles Lernen und Deep Learning: Voraussetzungen, Möglichkeiten und Grenzen der KI. Zielgruppe sind Führungskräfte, welche das Potential von KI in ihrem Unternehmen realistisch einschätzen möchten.

(3 Tage) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.

(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.

(3 Tage) Kompakter Einstieg in Python für Datenanalyse und Data Science. Grundlagen über pandas DataFrame, Grafiken erstellen, Machine Learning und erste Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, seaborn, scikit-learn.

(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.

3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.

(5 Tage) Einstieg in die Programmiersprache Python mit Fokus auf Data Science / Machine Learning. Mit u.a. folgenden Algorithmen: Regression, Random Forest, Clustering. Verwendete Pakete: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.

(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.

(3 Tage) Einführung in die Datenanalyse und Machine Learning mit R. Wichtige Datenstrukturen in R, das Paket data.table für effiziente Datenanalyse. Statistiken berechnen. Eigene Funktionen schreiben. Plotten mit ggplot2. Erste ML-Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering).

(1 Tag) Einführung in Künstliche Intelligenz, Maschinelles Lernen und Deep Learning: Voraussetzungen, Möglichkeiten und Grenzen der KI. Zielgruppe sind Führungskräfte, welche das Potential von KI in ihrem Unternehmen realistisch einschätzen möchten.

(3 Tage) Kompakter Einstieg in Python für Datenanalyse und Data Science. Grundlagen über pandas DataFrame, Grafiken erstellen, Machine Learning und erste Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, seaborn, scikit-learn.

(3 Tage) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.

(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.

(1 Tag) Einführung in Künstliche Intelligenz, Maschinelles Lernen und Deep Learning: Voraussetzungen, Möglichkeiten und Grenzen der KI. Zielgruppe sind Führungskräfte, welche das Potential von KI in ihrem Unternehmen realistisch einschätzen möchten.

(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.

3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.

(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.

(3 Tage) Einführung in die Datenanalyse und Machine Learning mit R. Wichtige Datenstrukturen in R, das Paket data.table für effiziente Datenanalyse. Statistiken berechnen. Eigene Funktionen schreiben. Plotten mit ggplot2. Erste ML-Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering).