Ausbildung zum Deep Learning Specialist - Zertifikat
In Kooperation mit der
* zzgl. USt. | 10% Rabatt für den zweiten und jeden weiteren Teilnehmer
Termin
(4 x 2 Tage)
Ort
Zeit
Preis*
Aktuelle Termine unter
Seminar auf einen Blick
- Multi-Layer-Perceptron (MLP)
- Convolutional Neural Network (CNN)
- Wichtige Layer: ReLU, Dense, Conv2D, Max-Pooling,...
- Objektdetektion mit Bounding Boxes
- Bildklassifizierung, Semantische Segmentierung
- Deep Learning mit Sequenzdaten
- Recurrent Neural Networks (RNN)
- LSTM
- Natural Language Processing (NLP)
- Deployment von Deep Learning mit Streamlit
- Schulung auf GPUs in der Cloud
Über die Schulung
- Dauer: 4 x 2 Tage
- Gruppengröße: 5 - 15
- Level: Anfänger mit Programmiererfahrung
- Anteil Coding: 60%
- Sprache: Python
- Bibliotheken: Keras, Tensorflow, matplotlib, numpy, streamlit
- Skript: .pdf und source files (Theorie, Aufgaben & Lösungen)
- 5 Top Trainer aus der Praxis und Wissenschaft
Über die Schulung
- Dauer: 4 x 2 Tage
- Gruppengröße: 5 - 15
- Level: Anfänger mit Programmiererfahrung
- Anteil Coding: 60%
- Sprache: Python
- Bibliotheken: Keras, Tensorflow, matplotlib, numpy, streamlit
- Skript: .pdf und source files (Theorie, Aufgaben & Lösungen)
- 5 Top Trainer aus der Praxis und Wissenschaft
Seminar auf einen Blick
- Multi-Layer-Perceptron (MLP)
- Convolutional Neural Network (CNN)
- Wichtige Layer: ReLU, Dense, Conv2D, Max-Pooling,...
- Objektdetektion mit Bounding Boxes
- Bildklassifizierung, Semantische Segmentierung
- Deep Learning mit Sequenzdaten
- Recurrent Neural Networks (RNN)
- LSTM
- Natural Language Processing (NLP)
- Deployment von Deep Learning mit Streamlit
- Schulung auf GPUs in der Cloud
Beschreibung der Deep Learning Specialist Ausbildung
Aktuelle Termine und Preise finden Sie unter https://bitkom-akademie.de/lehrgang/deep-learning-specialist
Die Ausbildung zum Deep Learning Specialist in Kooperation mit der Bitkom Akademie führt Sie in die Deep Learning (DL) Algorithmen und deren Umsetzung mit Keras Tensorflow ein. Sie erlernen die gängigsten Neuronalen Netze für Bildverarbeitung, zur Bearbeitung von sequentiellen Daten und Textdaten kennen und erlernen wie man die trainierten Algorithmen effizient mit dem Python Paket streamlit deployen kann. Jeder Teilnehmer in diesem Lehrgang rechnet auf einer eigenen high-performance GPU (NVIDIA Tesla P100) in der Cloud. Der Lehrgang wird von 5 Trainern aus der Praxis und Wissenschaft gehalten und ist daher stark praxis-orientiert. In dem Lehrgang gibt es viele Übungsaufgaben, in denen die Theorie vom Teilnehmer gleich hands-on ausprobiert werden kann.
Dieser Kurs umfasst vielfältige Anwendungsgebiete, so dass Sie beispielsweise später das Erlernte in folgenden Bereichen anwenden können:
- Erkennen von Symbolen (z.B. Zahlen und Buchstaben)
- Visuelle Defekterkennung während des Produktionsprozess
- Die Lagebestimmung von Objekten auf Bild/Videodaten
- Pixel-weises Erkennen von Objekten / Menschen auf Dronen- bzw. Satellitenbildern,
- Erkennen von Objekten auf Kamerabildern, um so z.B. eine Sortierung, ein Greifen, o.ä. zu ermöglichen
- Textur-/Oberflächenanalyse,
- Produktionsüberwachung (das visuelle Erkennen von Fehlern/Verschleiß bei Bauteilen)
- Das automatische Tagging von Bildern, z.B. zur Ermöglichung einer textuellen Bildsuche
- Predictive Maintenance (Vorhersage wann ein Bauteil idealerweise gewechselt werden soll)
- Analyse von Text (z.B. zur Klassifizierung von Dokumenten)
Was lernen Sie im Deep Learning Zertifikat Lehrgang
Dieser Lehrgang handelt über Neuronale Netze (Deep Learning Algorithmen). In Python mit dem Deep Learning Framework Keras / Tensorflow lernen Sie viel benutzte Deep Learning Algorithmen kennen. Die Algorithmen werden theoretisch vorgestellt (u.a. Multi Layer Perceptron, Convolutional Neural Network, Recurrent Neural Network, LSTM) und in hands-on Übungen werden Sie von Ihnen trainiert und deren Performance ausgewertet.
Im Lehrgang werden unterschiedlichen Datensätzen verwendet, je nachdem welchen Anwendungsfall wir gerade lösen möchten. Der Lehrgang umfasst viele Anwendungsgebiete des Deep Learnings: die Bilderkennung (Semantische Segmentierung, Objektdetektion mit Bounding Boxes, Bild-Klassifizierung) und den Umgang mit sequentiellen und Text Daten. Zudem erlernen Sie, wie Sie ihre Ergebnisse schnell via einem Web Interface deployen können, so dass Kollegen aus IT-fernen Fachbereichen Ihre Ergebnisse nützen können. Im Lehrgang werden auch typische Probleme behandelt und wir erläutern gängige Lösungsmögilchkeiten.
Nach Abschluß dieses Deep Learning Zertifikatslehrgangs haben Sie solide Kenntnisse erworben, um Probleme in Ihrem Unternehmen mit Deep Learning lösen zu können. Wenn benötigt können Sie in der Literatur nach weiterführenden Spezialanwendungen suchen und diese anwenden.
Besonderheit dieser Schulung mit Tensorflow auf GPUs
Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU, um die Neuronalen Netze in Keras Tensorflow 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 zwischen den 4 Modulen und auch danach experimentieren und das Gelernte weiter vertiefen können, übertragen wir Ihnen das komplette GPU-Setup kostenlos (europäischer GPU-Host, Datenspeicherung in Europa, Linux Server).
Dieser Zertifikatslehrgang ist praktisch orientiert. Zusätzlich zu den Übungsaufgaben während des Kurses, bieten wir den Teilnehmern die Möglichkeit Übungsaufgaben zwischen den vier Blöcken zu bearbeiten. Eine gemeinsame Durchsprache der Übungsaufgaben erfolgt am Anfang des nächsten 2 Tages-Block.
Zudem bieten wir noch Q&A Sessions zwischen den Blöcken an, in dem wir Ihnen gerne Ihre Fragen zum Kursmaterial oder sonstige weiterführenden Fragen zu Deep Learning beantworten werden.
Detaillierte Inhalte des Zertifikat Kurses
Download der Kursinhalte als pdf. Weitere Informationen finden Sie auch auf der Kursseite der Bitkom-Akademie.
Bei weiteren Fragen kontaktieren Sie gerne uns
Email: info@enable-ai.de
Telefon: 0711-96 88 15 53
oder
Vincent Bergner von der Bitkom-Akademie
Email: v.bergner@bitkom-service.de
Telefon: 030 27576-539
Über den Lehrgang
- Dauer: 4 x 2 Tage
- Gruppengröße: 5 - 15
- Level: Anfänger mit Programmiererfahrung
- Anteil Coding: 50%
- Sprache: Python
- Bibliotheken: Keras, Tensorflow, matplotlib, numpy, streamlit
- Skript: .pdf und source files (Theorie, Aufgaben & Lösungen)
- 5 Top Trainer aus der Praxis und Wissenschaft
Ihre Trainer für den Kurs
Seminar auf einen Blick
- Multi-Layer-Perceptron (MLP)
- Convolutional Neural Network (CNN)
- Wichtige Layer: ReLU, Dense, Conv2D, Max-Pooling,...
- Objektdetektion mit Bounding Boxes
- Bildklassifizierung, Semantische Segmentierung
- Deep Learning mit Sequenzdaten
- Recurrent Neural Networks (RNN)
- LSTM
- Natural Language Processing (NLP)
- Deployment von Deep Learning mit Streamlit
- Schulung auf GPUs in der Cloud
Thematisch ähnliche
Schulungen
Weitere Seminare und Termine
Die nächsten Kurse
(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) 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.
(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 Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.
(2 Tage) In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.
(1 Tag) In diesem Seminar bieten wir eine umfassende Einführung und die Grundlagen von ChatGPT und Prompt Engineering. Mit Hintergrundinformationen zu Modell und Daten, die hinter ChatGPT stehen. Anwendungsfälle umfassen Marketing, Analyse von Texten, Klassifikation, Übersetzung, u.a.
(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.
(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 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.
In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben klassischen Methoden zur Zeitreihenvorhersage (ARMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM). Verwendete Python Module sind: pandas, matplotlib, plotly, datetime, statsmodels, sklearn, keras.
Sie erlernen in 2 Tagen die praxisnahe Arbeit mit Large Language Models und Transformer-Architekturen:
1. Tag – Grundlagen von LLMs: Einführung in Transformer-Architekturen, Tokenisierung, Kontextfenster und Embeddings sowie Anwendung vortrainierter Modelle für Textklassifikation, Informationsextraktion und Textzusammenfassung.
2. Tag – Praxis: Pre-Training, Fine-Tuning und effiziente Anpassungsstrategien für LLMs
(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) In dieser Schulung lernen Sie, wie Sie Webapps bauen können um die Ergebnisse Ihrer Data Science / Deep Learning Algorithmen visualisieren zu können und Ihren Kollegen über ein Web Oberfläche zur Verfügung zu stellen. Verwendete Pakete und Programmiersprachen sind Python, Flask, Html / CSS, streamlit, jinja, ajax.
In dieser Schulung lernen Sie, wie Sie Geo-Spatial-Daten in Python analysieren und visualisieren können. Das Seminar behandelt raumbezogene Vektordaten (mit dem Python Paket geopandas) und Rasterdaten (mit dem Paket Rasterio). Das Python Modul Contextily wird verwendet um fortgeschrittene Visualisierungen zu realisieren.
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
(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 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).
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.
(1 Tag) In diesem Seminar bieten wir eine umfassende Einführung und die Grundlagen von ChatGPT und Prompt Engineering. Mit Hintergrundinformationen zu Modell und Daten, die hinter ChatGPT stehen. Anwendungsfälle umfassen Marketing, Analyse von Texten, Klassifikation, Übersetzung, u.a.
(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) In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben klassischen Methoden zur Zeitreihenvorhersage (ARMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM). Verwendete Python Module sind: pandas, matplotlib, plotly, datetime, statsmodels, sklearn, keras.
Sie erlernen in 2 Tagen die praxisnahe Arbeit mit Large Language Models und Transformer-Architekturen:
1. Tag – Grundlagen von LLMs: Einführung in Transformer-Architekturen, Tokenisierung, Kontextfenster und Embeddings sowie Anwendung vortrainierter Modelle für Textklassifikation, Informationsextraktion und Textzusammenfassung.
2. Tag – Praxis: Pre-Training, Fine-Tuning und effiziente Anpassungsstrategien für LLMs
(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.
In dieser Schulung lernen Sie, wie Sie Geo-Spatial-Daten in Python analysieren und visualisieren können. Das Seminar behandelt raumbezogene Vektordaten (mit dem Python Paket geopandas) und Rasterdaten (mit dem Paket Rasterio). Das Python Modul Contextily wird verwendet um fortgeschrittene Visualisierungen zu realisieren.
(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.
(3 Tage) In dieser Schulung lernen Sie, wie Sie Webapps bauen können um die Ergebnisse Ihrer Data Science / Deep Learning Algorithmen visualisieren zu können und Ihren Kollegen über ein Web Oberfläche zur Verfügung zu stellen. Verwendete Pakete und Programmiersprachen sind Python, Flask, Html / CSS, streamlit, jinja, ajax.
(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 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) In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
(1 Tag) In diesem Seminar bieten wir eine umfassende Einführung und die Grundlagen von ChatGPT und Prompt Engineering. Mit Hintergrundinformationen zu Modell und Daten, die hinter ChatGPT stehen. Anwendungsfälle umfassen Marketing, Analyse von Texten, Klassifikation, Übersetzung, u.a.
(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 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).
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.
In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben klassischen Methoden zur Zeitreihenvorhersage (ARMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM). Verwendete Python Module sind: pandas, matplotlib, plotly, datetime, statsmodels, sklearn, keras.
(3 Tage) In dieser Schulung lernen Sie, wie Sie Webapps bauen können um die Ergebnisse Ihrer Data Science / Deep Learning Algorithmen visualisieren zu können und Ihren Kollegen über ein Web Oberfläche zur Verfügung zu stellen. Verwendete Pakete und Programmiersprachen sind Python, Flask, Html / CSS, streamlit, jinja, ajax.
(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) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.
Dieser praxisorientierte Kurs zeigt Ihnen wie Sie große Datenmengen (Big Data) mit PySpark (Python und Apache Spark) verarbeiten und analysieren können. Neben einer ausführlichen Einführung in PySpark wird die Integration von dem Python Datenanalyse Module Pandas in PySpark behandelt. Zudem werden die Möglichkeiten der Anwendung von Machine Learning in PySpark erläutert.
(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.
(2 Tage) In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.
(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.
Sie erlernen in 2 Tagen die praxisnahe Arbeit mit Large Language Models und Transformer-Architekturen:
1. Tag – Grundlagen von LLMs: Einführung in Transformer-Architekturen, Tokenisierung, Kontextfenster und Embeddings sowie Anwendung vortrainierter Modelle für Textklassifikation, Informationsextraktion und Textzusammenfassung.
2. Tag – Praxis: Pre-Training, Fine-Tuning und effiziente Anpassungsstrategien für LLMs
(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) In dieser Schulung lernen Sie, wie Sie Webapps bauen können um die Ergebnisse Ihrer Data Science / Deep Learning Algorithmen visualisieren zu können und Ihren Kollegen über ein Web Oberfläche zur Verfügung zu stellen. Verwendete Pakete und Programmiersprachen sind Python, Flask, Html / CSS, streamlit, jinja, ajax.
