Deep Learning: Die Ergänzung für Ihr Unternehmen

Die Deep Learning Kurse in München bringen Ihnen die Implementierung und den Umgang mit Tiefen Neuronalen Netzen näher. Mit vielen praktischen Übungen stellen wir sicher, dass Sie ihr neu erworbenes Wissen über Python, Keras oder Pytorch praxisnah einsetzen können.

Python – 3 Tage
In diesem Kurs lernen Sie die Grundlagen von Deep-Learning kennen (mit Beispielen aus der Bild-, Text- und Sequenzdatenbearbeitung). Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Vorkommende Neuronale-Netzwerk-Typen umfassen CNNs, RNNs und LSTMs.
1 Tag
Grundbegriffe aus den Bereichen Künstliche Intelligenz, Maschinelles Lernen und Deep Learning. Es werden Anwendungsfälle diskutiert und die Voraussetzungen, Möglichkeiten und Grenzen von KI erläutert. Zielgruppe der Schulung sind Führungskräfte, die KI Use-Cases im Unternehmen aufdecken und das Potential und den erforderlichen Aufwand realistisch einschätzen wollen.
Python – 3 Tage
In diesem Kurs lernen Sie die Grundlagen von Deep-Learning (mit Beispielen aus der Bildverarbeitung) kennen. Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Die praktischen Anwendungsfällen umfassen: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.
, Deep Learning Kurs München

Deep Learning Seminare in München

Sie sind Entscheidungsträger oder technischer Anwender bzw. Programmierer und möchten Kenntnisse im Deep Learning erwerben? Die Kurse von Enable AI in München sind optimal für Einsteiger im Bereich Neuronale Netze geeignet.

Unser Schulungsangebot umfasst Einführungsseminare, in denen das Erlernen von Python ein wichtiger Schwerpunkt ist. Weitere Kurstitel lauten beispielsweise „Künstliche Intelligenz für Entscheidungsträger“, „Deep Learning mit GPUs (Bildverarbeitung)“ und „Deep Learning Einführung mit GPUs“. Die Inhalte dieser Seminare behandeln, mit unterschiedlichen Schwerpunkten, unter anderem den Umgang mit Keras/Tensorflow und werden stets von vielen Anwendungsbeispielen unterstützt.

Betreut werden Sie von erfahrenen Trainern, die dank Berufserfahrung und Promotion nicht nur über umfangreiches Wissen über Deep/Machine Learning verfügen, sondern auch in Feldern wie Informatik, Statistik und Mathematik hervorragend ausgebildet sind. Wir garantieren aktuelle, fundierte und praxiserprobte Inhalte, das auf verständliche Weise unterrichtet wird und auf Probleme des betrieblichen Alltags anwendbar sind. Das eigene Ausprobieren mit vielen Coding-Übungen ist Enable AI ein wichtiges Anliegen, denn ohne praktischen Einsatz nutzt die beste Theorie nichts.

An unseren Schulungen nehmen im Schnitt fünf, jedoch nie mehr als zehn Teulnehmer teil. Unterrichtet wird zwar in Deutsch, Schulungsunterlagen, wie die Seminarfolien und Fachbegriffe, sind jedoch in englischer Sprache geschrieben, sodass entsprechende Sprachkenntnisse empfohlen sind. Durch die kleine Gruppengröße garantieren wir die bestmögliche Betreuer der einzelnen Kursteilnehmer.

Deep Learning Kurse im Detail

, Deep Learning Kurs München

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

Video laden

, Deep Learning Kurs München

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

Video laden

Seminar: Deep Learning mit GPUs (für Bildverarbeitung) - Seminar mit high-performance GPUs: Keras (Tensorflow) für Bilddaten

Hier erwarten Sie die praktischen Grundlagen des Deep Learnings wie die Programmierung von Neuronalen Netzen mit dem Framework Keras/Tensorflow. Wir führen Sie in die grundlegenden Theorien ein und noch während des Seminars programmieren Sie Ihre ersten Neuronalen Netze, inklusive Umsetzung in Python mit Keras/Tensorflow. Wir arbeiten beispielsweise an Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. Anhand dieser Beispiele demonstrieren wir Ihnen die optimale Struktur für Neuronale Netze und trainieren die Algorithmen auf einer GPU. Nach Abschluss des Seminars steht Ihnen der im Seminar verwendete GPU Host für weitere 50 Stunden zu Verfügung, damit Sie an den Beispielen aus dem Seminar noch mal üben und diese ändern können.

Seminar: Deep Learning Einführung mit GPUs - Seminar mit high-performance GPUs: Keras zur Analyse von Daten, Bildern, Zeitreihen

Ziel dieser Schulung ist, Neuronale Netze für Bild-, Text- und Zeitreihen-Daten an- und in Keras/Tensorflow umzusetzen. Kurz gesagt lernen Sie hier das Coding von Deep Learning-Algorithmen. Wir arbeiten damit mit Neuronalen Netztypen Multi Layer Perceptron (MLP), Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN). Nach Seminarende haben Sie die Möglichkeit, weiter mit den Beispielen des Kurses zu üben, da Ihnen der verwendete GPU- Host für weitere 50 Stunden zur Verfügung steht.

Deep Learning Kurse im Detail

, Deep Learning Kurs München

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

Video laden

, Deep Learning Kurs München

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

Video laden

Weitere Schulungsorte
Enable AI bietet Schulungen in Deep Learning in folgenden Städten an: Frankfurt, München und Stuttgart.

Das sagen bisherige Teilnehmer

Weitere Seminare und Termine

Die nächsten Kurse

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

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

(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) 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 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) 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 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).

Weitere Schulungsorte
Enable AI bietet Schulungen in Deep Learning in folgenden Städten an: Frankfurt, München und Stuttgart.

Deep Learning Kurs in München

Ohne Übertreibung kann man München und seine Umgebung als den wichtigsten Standort der IT-, Kommunikations-, und Softwarebranche bezeichnen. Von allen Innovationsregionen arbeiten nirgends so viele Beschäftigte wie im Gebiet um die Bayerische Landeshauptstadt: 11.300 Betriebe im Jahr 2017. 119.000 Beschäftigte im Jahr 2018, wie das Bayerische Landesamt für Statistik veröffentlichte. Daneben scheint München Nährboden für Start-Ups zu sein, die typisch für die Informations- und Kommunikation-Branche sind.

Deep Learning Schulung im Münchner Zentrum

München ist nur ein Standort, an dem Seminare zum Deep Learning stattfinden. Die Kurse von Enable AI sind offen, das heißt, für jedermann buchbar. Bei der Auswahl unserer Schulungsstätten wählen wir in der Regel zentralgelegene Seminarräume aus, damit sie auch mit Öffentlichen Verkehrsmitteln leicht zu erreichen sind. Detaillierte Angaben zur Seminaradresse finden Sie bei dem entsprechenden Kurs. Wählen Sie eine Schulung aus, um die nächsten Termine für München zu erfahren.

Individualisierter In-House Deep Learning Kurs in München

Sie wollen Ihrem Team eine individuelle Fortbildung direkt im eigenen Betrieb ermöglichen? Kein Problem, wir kommen zu Ihnen! Schreiben Sie uns einfach an: Dank eines breiten Spektrums an Schulungsunterlagen und -inhalten kann Enable AI individuell für Sie und die Bedürfnisse Ihres Unternehmens ein passendes Programm zusammenstellen.
, Deep Learning Kurs München

Deep Learning und seine Grundlagen

Deep Learning fällt in das Feld der Künstlichen Intelligenz und zählt trotz jahrzehntelanger Entwicklung als jüngste Disziplin auf diesem Gebiet. Erst kürzlich, im Jahr 2012, begann eine neue Ära des Deep Learnings: auf der weltweit bekannten NIPS Konferenz stellte Alex Krisheysky sein Paper mit dem Titel „ImageNet Classification with Deep Convolutional Neural Networks“. In diesem präsentierte er ein Neuronales Netz, das mit großer Genauigkeit Bilder erkennen und der richtigen Klasse zuordnen konnte. Dieses Neuronale Netz, dessen Architektur heute als AlexNet bekannt ist, gewann seinerzeit mit großem Abstandt einen Bildklassifizierungswettbewerb (ImageNet).

Von all den vielen Algorithmus-Typen, die es heutzutage gibt, werden Neuronale Netze im Deep Learning am häufigsten verwendet. Der Begriff Deep Learning umfasst hierbei Neuronale Netze, die sich aus mehreren Schichten zusammenfügen. Inzwischen wurden auf vielen internationalen Wissenschaftskonferenzen eine Großzahl verschiedener Architekturen vorgestellt. LeNet, AlexNet, ZFNet, VGG16, GoogLeNet, ResNet, InceptionV3, MobileNet und das DenseNet zählen dabei zu den Meilensteinen unter den Neuronalen Netzen.

Die wichtigsten Klassen von Architekturen der Neuronalen Netze Architekturen sind Multi-Layer Perceptrons (MLPs), Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und die Long Short Term Memory Networks (LSTMs).

Bekannte Python basierte Deep Learning Frameworks

Deep Learning-Algorithmen sind längst im Alltag moderner Betriebe angekommen und werden nicht mehr nur von Pionieren wie Facebook, Google oder Amazon verwendet. Allerdings haben unter anderem diese Weltkonzerne mit ihren Deep Learning Frameworks wichtige Grundlagen für den flächendeckenden Einsatz von Neuronalen Netzen gelegt. Frameworks wie Tensorflow von Google machen die Erstellung von Neuronalen Netzen für jedermann möglich, genutzt wird hierbei häufig die Programmiersprache Python, und ist deshalb wie Teras im praktischen Alltag der Industrie besonders beliebt. PyTorch hingegen wird eher in der orschung eingesetzt. Darüber hinaus gibt es noch weitere Frameworks wie Theano, CNTK (Mikrosoft Cognitive Toolkit), MxNet (von Apache) oder DSSNT (Amazon). Diese werden jedoch weitaus weniger genutzt.

Praxisanwendungen: Deep Learning

Dank Deep Learning und Neuronalen Netzen können Computer inzwischen mit der Genauigkeit von Bild- und Texterkennung mit dem menschlichen Gehirn mithalten und dessen Leistung sogar übertreffen.

Bild- und Textverständnis
Heutzutage ist die Texterkennung von Neuronalen Netzen schon so weit fortgeschritten, dass man fast schon von lesen sprechen kann. Deep Learning-Algorithmen können zum Beispiel die Inhalte von Mails als Spam identifizieren oder Texte übersetzen, aber auch die Erkennung von Texten in Bildern ist inzwischen kein Problem mehr: Wasser- und Stromabzählen ist somit auch remote möglich.

Sortierung / Gruppierung von Texten, Bildern, Power Point Präsentationen
Große Datenmengen können Menschen nur unter sehr hohem Zeitaufwand verarbeiten, sodass Deep Learning bei der Ordnung und Gruppierung verschiedener Datensätzen viel Arbeit abnehmen: ob nun bei der Archivierung von Emails oder Gruppierung von Bildern.

Qualitätskontrolle
Bevor Produkte die Fabrik verlassen dürfen, ist eine abschließende Kontrolle auf Fertigungsmängel unvermeidbar. Neuronale Netze erkennen Kratzer, Dellen und andere Defekte, um betroffene Exemplare nach dem simplen Muster „OK“ oder „defekt“ auszusortieren.

Medizinische Bilderkennung
Deep Learning-Algorithmen unterstützen Ärzte heutzutage bei der Diagnostik. Neuronale Netze können beispielsweise MRT-Aufnahmen analysieren und auf diesen Krebs erkennen. In der Segmentierung von Gewebebildern oder in der Ophthalmologie identifizieren Deep Learning-gestützte Algorithmen Krankheiten auf Netzhautaufnahmen.

Autonomes Fahren
Ohne Tiefe Neuronale Netze wäre Firmen wie TESLA die Entwicklung selbstfahrender Autos gar nicht möglich. Deep Learning-Algorithmen sind nämlich in der Lage Personen, Straßenschilder oder Ampeln zu erkennen.

, Deep Learning Kurs München

Deep Learning in Wissenschaft und Industrie

Deep Learning-Technologie befindet sich auf dem Vormarsch wie eine Großzahl wissenschaftlicher Paper beweisen. Über das vergangene Jahrzehnt hinweg erschienen auf großen internationalen Tagungen wie der der Conference on Neural Information Processing Systems (NIPS), International Conference on Learning Representations (ICLR), Conference on Computer Vision and Pattern Recognition (CVPR), Conference on Artificial Intelligence (AAAI), International Conference on Machine Learning (ICML), International Conference on Computer Vision (ICCV), oder der European Conference on Computer Vision (ECCV). Wirtschaft und Forschung tragen dabei beide maßgeblich zur Weiterentwicklung von Neuronalen Netzen bei. Unternehmen wie Google Brain, Deepmind, Facebook AI oder Amazon leisten ebenso Beiträge wie hoch renommierte Universitäten, zum Beispiel Harvard, Stanford, Oxford oder das MIT.

Ohne Daten geht nichts. Von ihnen hängt die Qualität der Ergebnisse ab, die mit Neuronalen Netzen gewonnen werden. Für eine zuverlässige Bildklassifizierungs-Anwendung, zum Beispiel, müssen Algorithmen mit etwa 100 verschiedenen Bildern trainiert werden. Dabei gilt: je mehr Klassen, desto mehr Bilder. Da Daten in Form von Fotos, Videos und Text die Bausteine des Digitalen Zeitalters sind, ist es nicht verwunderlich, dass Deep Learning seit Jahren einen Aufschwung erlebt, zumal uns dank GPUs (graphic processing units) heute auch die notwendigen Rechenkapazitäten zur Verfügung stehen. Mit der Entwicklungen der Reihen „Titan X“ oder „Tesla P100“ ist aktuell die Firma NVIDIA führend auf dem Markt der Graphikkarten.