Deep Learning, Neuronale Netze mit Python

Schulung der Grundlagen von Künstlicher Intelligenz (KI) mit Keras-Tensorflow

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

07.06.21 –
09.06.21

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

20.09.21 –
22.09.21

Stuttgart
Königsstraße 10c
1.525,00  (*)
1.814,75 € (**)

01.12.21 –
03.12.21

Stuttgart
Königsstraße 10c
1.525,00  (*)
1.814,75 € (**)
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Seminarinhalte auf einen Blick

Über die Schulung

Neural Nets Kurs im Detail

YouTube

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

Video laden

Über den Deep Learning Kurs

Deep Learning Seminar auf einen Blick

Künstliche Intelligenz Seminar im Detail

YouTube

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

Video laden

Verschwommene futuristische Tunnelfahrt. Deep Learning ist die Zukunft.

Unser Kurs Deep Learning mit GPU Benutzung (jeder Teilnehmer rechnet auf einer eigenen high-performance GPU (NVIDIA Tesla P100) in der Cloud) bietet eine Einführung in Deep Learning (DL) Algorithmen mit den grundlegenden Verfahren für Bild-, Text- und numerischen Daten. Deep Learning Algorithmen sind derzeit eine der wichtigsten Algorithmusklasse des Maschinellen Lernens, einem Teilgebiet der Künstlichen Intelligenz (KI) und sind bereits in vielen Bereichen in unserem Alltag integriert. In der Schulung wird das Anlernen geeigneter Modelle behandelt, um diese für die Klassifikation oder Schätzung auf neue Daten zu verwenden.

Sie lernen Schritt für Schritt die wichtigsten Aspekte, um in Tensorflow / Keras Deep Learning Algorithmen programmieren zu können. Es wird die Datenaufbereitung und das sequentielle Einlesen von großen Datenmengen im Training behandelt, die Erstellung tiefer neuronaler Netze, die möglichen Konfigurationen für das Training und die Anwendung der trainierten Modelle auf neue Daten.

Im Seminar werden gängige Varianten von Deep Neural Networks und deren Bestandteile besprochen. Die Inhalte werden mit Folien und Flipchart erklärt und in Übungen umgesetzt und vertieft.

Häufige Anwendungsfelder im Deep Learning werden behandelt: Vorhersage bei numerischen Daten, Klassifikation von Bildern und Klassifikation/Vorhersage bei Text bzw. Sequenzdaten.

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)
  • Textur-/Oberflächenanalyse,
  • Das automatische Tagging von Bildern, z.B. zur Ermöglichung einer textuellen Bildsuche
  • Sprachliche Übersetzung von Texten
  • Sentiment-Analyse von Texten
  • Vorhersage bei Zeitreihendaten

Es werden die am häufigsten verwendeten Künstlichen Neuronalen Netze theoretisch behandelt und deren Bestandteile besprochen (u.a. Multi Layer Perceptron (MLP), Convolutional Neural Network (CNN) zur Verarbeitung von Bilddaten und das Recurrent Neural Network (RNN) bei Text- und Zeitreihendaten) und in praktischen Übungen in Python mit den Framework Keras / Tensorflow mit high-performance GPUs umgesetzt. Sie lernen in diesem Tensorflow Workshop schrittweise die wichtigsten Aspekte für die Umsetzung mit der Deep-Learning Bibliothek Keras. Es wird die Datenaufbereitung und das sequentielle Einlesen von großen Datenmengen im Training behandelt, die Erstellung von Netzen, die möglichen Konfigurationen für das Training und die Anwendung der trainierten Modelle auf neuen Daten.

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.

Wir behandeln die Anwendungsfälle Vorhersage bei numerischen Daten, Klassifikation von Bildern und Klassifikation/Vorhersage bei Text bzw. Sequenzdaten. Dabei werden wir die Leistungsfähigkeit der Algorithmen kennenlernen und typische Probleme während des Trainings und deren Lösungsmöglichkeiten (u.a. Regularisierung während des Trainings) behandeln.

Einfache Neuronale Netze mit verschiedenen Schichten (Layern) werden von den Teilnehmern in dieser Tensorflow Schulung entworfen und mit dem Framework Keras/ Tensorflow in der Programmiersprache Python in der Cloud mit Jupyter Notebooks umgesetzt und trainiert.

Es werden die Grundlagen vermittelt, so dass Sie nach dem Seminar Deep Learning Algorithmen der Künstlichen Intelligenz programmieren können, sich selbstständig weitere Anwendungsfälle im Deep Learning aneignen und das Gelernte auf eigene Problemstellungen anwenden können.

Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU. Der Zugang erfolgt 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 / Künstliche Intelligenz Seminare bieten gar keine oder nur low-performance GPUs für die Teilnehmer.

Damit Sie direkt nach dem Seminar mit Ihrer Deep Learning Anwendung 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.).

10:00 – 10:15
Begrüßung und Organisatorisches
  • Vorstellungsrunde
  • Erwartungen der Teilnehmer
  • Jupyter Notebook
  • Rechnen in der Cloud
10:15 – 11:45
Machine Learning Grundlagen
Grundlagen von Maschinellem Lernen und Künstlicher Intelligenz (KI)
  • Kurze Einführung und Geschichte des Deep Learning
  • KI, Deep Learning und Machine Learning
  • Beispiele von Deep Learning Algorithmen in heutigen Produkten
  • Ein erstes einfaches Netz selbstständig mit Keras umsetzen und trainieren
11:45 – 12:00
Kaffeepause
12:00 – 13:30
Machine Learning Train Test Split Datenaufbereitung
Daten Vorbereitung
  • Overfitting beim Trainieren von Machine Learning Algorithmen
  • Train-Validation-Test Datensplit zur Detektion von Overfitting
  • Datennormalisierung
  • One-Hot encoding
  • Anwendung auf den MNIST Datensatz
13:30 – 14:30
Mittagspause
14:30- 16:00
MLP - Multi Layer Perceptron dargestellt
Multi-Layer-Perceptron (MLP) in Keras/Tensorflow (Neuronales Netz)
  • Wichtige Bauteile eines MLPs: Perceptron, Gewichte, Bias
  • Non-linearities (Aktivierungsfunktionen)
  • Softmax bei Klassifizierungsaufgaben
16:00 – 16:15
Kaffeepause
16:15 – 18:00
Netzwerk Trainieren Hügel und Täler
Ein Netzwerk trainieren und auf neue Daten anwenden
  • Verschiedene Loss-Funktionen
  • Backpropagation: Trainieren von den Gewichten
  • Initialisierung der Gewichte
  • Epoche und Batch-Size
  • Den Output während des Trainings interpretieren
  • Das trainierte Netzwerk zur Vorhersage von neuen Daten verwenden
09:00 – 09:15
Rückblick auf Tag 1
09:15 – 10:45
PyCharm Editor, sehr gut für Python Programmierung
Convolutional Neural Network (CNN) – Teil I
  • Ein Convolution layer (Faltungsschicht)
  • Filter
  • Padding und Stride bei der Convolution
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Beispiel von der Max-Pooling Layer, eine Layer von Convolutional Neural Networks.
Convolutional Neural Network (CNN) – Teil II
  • Anzahl an Channel und Filter in der Faltung
  • Bias im CNN
  • Max-Pooling Layer
  • Was lernt ein CNN auf den unterschiedlichen Layern?
12:30 – 13:30
Mittagspause
13:30 – 15:00
TensorBoard, ein Framework von tensorflow
Keras Callbacks
  • Einen Callback in Keras umsetzen
  • Model Gewichte und Architektur speichern
  • Early Stopping
  • TensorBoard zur Visualisierung des Trainingsverlaufs
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Softmax Score für Bild Klassifizierung
Klassifizierung von Bildern
  • Softmax-Layer
  • Cross-Entropy Loss
  • Data-generator in Keras, um mit größeren Datensätzen zu arbeiten
  • Vorstellung bekannter Netzwerkarchitekturen: VGG-16 und AlexNet
  • Regularisierungen: L2 Regularisierung und Drop-Out
  • Ein trainiertes Model laden
09:00 – 09:15
Rückblick auf Tag 2
09:15 – 10:45
Text Analyse, eine Disziplin für Deep Learning
Deep Learning für Text- und Sequenzdaten
  • Preprocessing von Textdaten in geeigneten Representationen
  • Word embeddings: Word2Vec, GloVe
  • Ein einfaches Modell zur Textvorhersage in Keras erstellen
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Recurrent Neural Network weitere Visualisierung
Recurrent Neural Network (RNN)
  • RNN für Sequenzdaten
  • Recurrent connection
  • LSTM (Long-Short-Term Memory) Layer
12:30 – 13:30
Mittagspause
13:30 – 15:00
Recurrent Neural Network Visualisierung
Weitere Aspekte eines RNNs
  • Stacked RNNs
  • Bidirectional recurrent layers
  • Recurrent dropout
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Fine Tuning eines Neuronale Netzes
Fine-Tuning
  • Weitere bekannte Netzwerkarchitekturen: Inception-V3, ResNet,
  • Code von (bereits trainierten) Netzwerken finden
  • Vortrainierte Netzwerke für seine Aufgabe verwenden und nachtrainieren (Fine-Tuning)

Zielgruppe für diesen Kurs Künstliche Intelligenz

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.

Voraussetzungen für dieses Tensorflow Seminar

Gute Vorkenntnisse in einer anderen Programmiersprache oder erste Erfahrung mit Python werden für diese Künstliche Intelligenz Schulung vorausgesetzt. Erfahrung im Umgang mit Daten ist notwendig. Zusätzlich haben sich bisher diese Kenntnisse als hilfreich herausgestellt: Eine Funktion (in Python) schreiben, das Laden von Python-Bibliotheken, eine for-Schleife schreiben bzw. eine einfache Grafik mit Matplotlib zeichnen und Grundlagen in numpy.

Sehr zu empfehlen sind zudem Grundlagen im Bereich der Statistik (Median, Mittelwert, Standardabweichung, Normalverteilung), Kenntnisse mathematischer Symbole und Begriffe, wie das Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion.

Die benutzte Programmieroberfläche im Seminar ist Jupyter Notebook, welche ohne Vorerfahrung benutzt werden kann.

Englischkenntnisse (lediglich im Verstehen von englischen Texten) sind sehr nützlich, da Python und die Internet-Dokumentationen auf Englisch sind. Daher sind auch die Folien im Kurs auf Englisch. Die Schulung selbst wird auf Deutsch gehalten.

Didaktischer Aufbau der Schulung

Dieser Künstliche Intelligenz Kurs ist sehr praxisorientiert. Die Konzepte werden in der Schulung mit Folien erläutert und an Beispielen verdeutlicht. In den Übungseinheiten der Schulung können die Teilnehmer mit der Programmiersprache Python in der Cloud mit Jupyter Notebooks das Erlernte umsetzen. Der Trainer unterstütz bei verschiedenen Aufgaben und begleitet bei Fragen.

Technik im Deep Learning Kurs

  • Die Teilnehmer benötigen für die Übungsaufgaben Laptops. Wir empfehlen, Ihren eigenen Laptop mitzubringen. Ein Laptop mit GPU wird nicht benötigt.
  • Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Seminar online zum Download zur Verfügung gestellt. Sie erhalten vor dem Seminar per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können.
  • Sie sollten sich in firmenfremde WLAN-Netze registrieren können. Das Programmieren und das Trainieren der Algorithmen erfolgt auf GPUs in der Cloud, welche über eine URL direkt im Browser aufgerufen wird. Sie erhalten vor dem Seminar per E-Mail einen Link, um zu testen, ob Einstellungen den Zugriff auf die Cloud beeinträchtigen.
  • Als Backup Lösung ist es möglich, dass der USB Port bei Ihrem Laptop freigeschalten ist, um damit verwendete Dateien oder sonstige Unterlagen übertragen zu können.
  • Im Seminar 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).

Für das Seminar ist folgendes Buch als Ergänzung hilfreich: Francois Chollet: Deep Learning with Python. Grundsätzlich wird alles Wissen und Codebeispiele im Kurs so erklärt, dass es nicht nötig ist vor dem Kurs ein Buch zu lesen. Sie sollten lediglich darauf achten, dass Sie die Voraussetzungen (siehe Reiter Organisatorisches –> Voraussetzungen) erfüllen.

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 Deep Learning Kurs

Tensorflow Kurs auf einen Blick

Künstliche Intelligenz Seminar im Detail

YouTube

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

Video laden

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 Neuronale Netze Deep Learning Kurs

Weitere Seminare und Termine

Die nächsten Kurse

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

(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.

(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.

(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).