Lernen Sie Deep Learning für Ihr Unternehmen einzusetzen

In den Deep Learning Kursen in Stuttgart lernen Sie die Anwendung von Tiefen Neuronalen Netzen. Mit Python, Keras und Pytorch wird das Wissen mit viel eigener Praxis eingeübt.

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.
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.
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Was ist Deep Learning?

Deep Learning ist ein relativ neuer Unterbereich der Künstlichen Intelligenz. Deep Learning wurde ungefähr in den 1980er Jahren erfunden, wobei erste Ansätze bis in die 50er Jahre zurück reichen. Der derzeitige Aufschwung des Deep Learnings began ungefähr im Jahr 2012 durch ein Paper von Alex Krishevsky „ImageNet Classification with Deep Convolutional Neural Networks“, welches auf der weltweit bekannten NIPS Konferenz präsentiert wurde. Es wurde ein Neuronales Netz verwendet (heute ist die Architektur bekannt als AlexNet) und mit diesem konnte ein Bildklassifizierungswettbewerb (ImageNet) mit großem Abstand bei der Genauigkeit der erkannten Bildklassen gewonnen werden.

Neuronale Netze sind der hauptsächlich verwendete Algorithmus-Typ im Deep Learning. Man spricht von Deep Learning, wenn das Neuronale Netz mehrere Schichten aufweist, also ein tiefes neuronales Netz ist. Dies ist heutzutage bei allen gängigen Neuronalen Netzen der Fall. Im Laufe der Jahre wurden verschiedene Architekturen auf wissenschaftlichen Konferenzen veröffentlicht, welche die Güte auf den Benchmark-Datensätzen stets verbessert hat. Meilensteine der Deep Learning Architekturen waren u.a. LeNet, AlexNet, ZFNet, VGG16, GoogLeNet, ResNet, InceptionV3, MobileNet und das DenseNet.

Betrachtet man die wichtigsten Klassen der Neuronalen Netz Architekturen so sind hier folgende zu nennen: Multi-Layer Perceptrons (MLPs), Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und die Long Short Term Memory Networks (LSTMs).

Deep Learning Kurse in Stuttgart im Detail

YouTube

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

Video laden

YouTube

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

Video laden

Deep Learning Kurse in Stuttgart

Stuttgart gehört zu den florierenden Wirtschaftsstädten in Deutschland mit seiner Maschinenbau- und Automobil-Branche und den mehr als 1500 Klein und Mittelständischen Unternehmen. Man sagt, in Stuttgart sei der Mittelstand Deutschlands Zuhause. Der Wachstum der Region wird durch datengetriebene Lösungen weiter verstärkt. Darum bietet Enable AI hier auch die Mehrheit seiner Kurse in Data Analytics und Datenwissenschaften an.

Deep Learning Schulungen im Herzen von Stuttgart

Unsere Deep Learning Kurse finden normalerweise in einem Regus Zentrum statt. Dieses ist in Stuttgart am Hauptbahnhof gelegen und daher sehr gut mit dem Öffentlichen Nahverkehr zu erreichen. Weitere Details zu dem Kursstandort und die kommenden freien Termine für unsere Deep Learning Seminare in Stuttgart, finden Sie jeweils in der Kursbeschreibung.

In-House Deep Learning Schulung in Stuttgart

Sie interessieren Sich für eine Schulung, direkt bei Ihnen im Unternehmen. Enable AI bietet auch Inhouse Seminare in Stuttgart an. Wir können für Sie, aus einem Palette von Schulungsmodulen, ein Seminar erarbeiten, welches auf die Vorkenntnissen und Interessen Ihrer Mitarbeiter zugeschnitten ist. Kontaktieren Sie uns gerne.

Deep Learning Kurse in Stuttgart im Detail

YouTube

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

Video laden

YouTube

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 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.

(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.

(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.

(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.

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) 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) 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) 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.

(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) 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.

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.

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) 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.

(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 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 in Industrie und Forschung

Seit 2012 gab es einen Aufschwung im Deep Learning, zuerst sichtbar durch eine erhöhte Anzahl von wissenschaftlichen Publikationen auf weltweit bekannten Konferenzen wie 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). Bei diesen Konferenzen veröffentlichen nicht nur Forschungsinstitute wie Harvard, Oxford, MIT oder Stanford. Insbesondere Unternehmen wie Google Brain, Deepmind (von Google übernommen), Facebook AI, Baidu Research, Amazon oder das Bosch Center for Artificial Intelligence (BCAI) forschen an den neuesten Technologien und veröffentlichen ihre Ergebnisse.

Eine wichtige Voraussetzung um gute Ergebnisse mit Deep Learning Anwendungen zu erzielen, sind ausreichend Daten. In der Bild Klassifizierung zum Beispiel, benötigt man ungefähr 100 verschiedene Bilder oder mehr je Klasse. Neuronale Netze sind auch als datengetriebene Ansätze bekannt. Es ist nicht überraschend, dass im Zeitalter von Big Data die Deep Learning Algorithmen einen Aufschwung erhalten haben. Täglich kommen neue Daten hinzu, u.a. in den Bereichen Fotos, Videos, Texte.

Ein weiterer Grund für den Aufschwung von Deep Learning ist die Rechenkapazität, welche durch GPUs (graphics processing units) ermöglicht wird. Weltmarktführer ist hier die Firma NVIDIA mit aktuellen Graphikkarten Entwicklungen der Reihe „Titan X“ oder „Tesla P100“.

Deep Learning Schulungen in Stuttgart

Sie wollen gerne mehr über Deep Learning lernen, sei es als technischer Anwender / Programmierer oder Entscheidungsträger? Enable AI bietet Ihnen mehrere Kurse in Stuttgart an, um in das Gebiet Deep Learning einzusteigen.

Wir bieten z.B. Grundlagenschulungen an, in denen Sie Python erlernen (die häufigste Programmiersprache im Bereich Deep Learning). Unsere Deep Learning Schulungen in Stuttgart umfassen „Künstliche Intelligenz für Entscheidungsträger“ (sie erlernen ein Gesamtbild von Künstlicher Intelligenz, welche Deep Learning umfasst, auf nicht-technischem Niveau), „Deep Learning mit GPUs (für Bildverarbeitung)“ (Einführung in das Deep Learning mit Keras/Tensorflow für Programmierer mit Anwendungsfällen aus der Bildverarbeitung) und „Deep Learning Einführung mit GPUs“ (Einführung in Keras / Tensorflow mit Anwendungsfällen auf der Bild-, Text-, und numerischen Daten).

Durch die Promotion und Berufserfahrung unseres Teams in den Bereichen Mathematik, Informatik, Statistik und Machine / Deep Learning können wir Ihnen versichern, dass die Inhalte, welche wir unterrichten, zuverlässig, aktuell, praxisnah und fundiert sind. Unsere professionellen Trainer in den Schulungen vermitteln Ihnen zudem ein aktuelles Wissen, das leicht verständlich und für Probleme in der Arbeit anwendbar ist, da unsere Fortbildungen sich auf die Inhalte konzentrieren, welche Sie für Ihre Arbeit benötigen. Darüber hinaus führen wir in unseren Fortbildungen praxisorientierte Schulungen mit vielen Coding Übungen durch, in denen Sie die gelernten Theorien anhand praktischer Beispiele anwenden können.

Um unsere Teilnehmer bestmöglich unterstützen zu können, besteht die Gruppengröße aus durchschnittlich 5 Teilnehmern, maximal jedoch 10 Teilnehmern. Seminare werden in deutscher Sprache abgehalten. Englischkenntnisse sind jedoch für die Kurse sehr empfehlenswert, da die Programmiersprache, Fachbegriffe und Unterlagen auf Englisch sind. Dies gilt auch für die in den Schulungen gezeigten Folien.

Stuttgart, Ort für Kurse und Schulungen von Enable AI

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

Das Seminar „Deep Learning mit GPUs (für Bildverbeitung)“, welches auch in Stuttgart angeboten wird, bietet eine praktische Einführung in die Programmierung von Neuronalen Netzen mit dem Framework Keras / Tensorflow. Sie erlernen die benöigten theoretischen Grundlagen von Neuronalen Netzen und setzen diese mit Keras in Python um. Das Training der neuronalen Netze erfolgt auf einer GPU. Anwendungsbeispiele umfassen: Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. Sie erlernen wie Neuronale Netze aufgebaut sein sollten und wir zeigen Ihnen, welche Möglichkeiten es gibt auf bestehenden Ergebnissen und Code aus der aktuellen Forschung (unter Beachtung der Lizenzbedingungen) relativ schnell zu guten Ergebnissen zu kommen. Nach dem Seminar haben Sie die Möglichkeit einen Zugang für ca. 50h (GPU Zeit) auf dem im Seminar verwendeten GPU Host zu erhalten und können so noch weiterhin die Beispielen aus dem Deep Learning Kurs abändern und ausprobieren.

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

Der Kurs „Deep Learning Einführung mit GPUs“ führt ebenso wie der Kurs „Deep Learning mit GPUs (für Bildverbeitung)“ praxisorientiert in das Coding von Deep Learning Algorithmen in dem Framework Keras / Tensorflow ein. Sie werden Anwendungen für Neuronale Netze für Bild-, Text- , numerischen und Zeitreihen-Daten kennenlernen und praktisch in Keras mit Python umsetzen. Es werden die Neuronalen Netztypen Multi Layer Perceptron (MLP), Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) behandelt. Nach dem Seminar haben Sie ebenso die Möglichkeit einen Zugang für ca. 50h (GPU Zeit) auf dem im Seminar verwendeten GPU Host zu erhalten und können so noch weiterhin die Beispielen aus dem Deep Learning Kurs abändern und ausprobieren.
Verschwommene futuristische Tunnelfahrt. Deep Learning ist die Zukunft.

Deep Learning Beispiele aus der Praxis?

Deep Learning hat in vielen Bereichen die Erkennungsgenauigkeit von Computern revolutioniert. Anwendungsfälle sind vor allem in der Bildverarbeitung, Textverarbeitung und Signalverarbeitung zu finden. Bei vielen Anwendungen sind die Erkennungs- und Klassifizierungsgenauigkeit bereits auf menschliches Niveau oder übertreffen dieses sogar.

Autonomes Fahren
Deep Learning Algorithmen werden verwendet um Objekte (u.a. Personen, Straßenschilder, Autos, Ampeln) zu erkennen und zu klassifizieren/deren Bedeutung zu inferieren (Geschwindigkeitsbeschränkungen, Ampelphase).

Medizinische Bildverarbeitung
Ein Anwendungsgebiet von Deep Learning in der Medizinischen Bildverarbeitung ist das automatische oder semi-automatische Erkennen von Krebserkrankungen. Zudem werden Neuronale Netze in der Segmentierung von Gewebebildern oder in der Opthamologie zur Klassifizierung und Erkennung von Krankheiten anhand von Netzhaut Bildern verwendet.

Qualitätskontrolle
Im Bereich der Produktion und Fertigung können Neuronale Netze verwendet werden um Produktionsdefekte (Kratzer, Dellen, Verunreinigungen der Oberfläche,…) zu erkennen und zu klassifizieren. Eine Klassifikation kann im einfachsten Fall nach Ausschuss vs. OK erfolgen, aber auch komplexere Klassenstrukturen sind möglich.

Sortierung / Gruppierung von Texten, Bildern, Power Point Präsentationen
Deep Learning Algorithmen können in der Sortierung und Gruppierung von Emails, von Bildern jeglicher Art (natürliche Bilder, Schaltpläne, Skizzen, …) von Texten oder Dokumenten (wie Power Point Präsentationen) verwendet werden.

Bild- und Textverstehen von Bildern und Texten
Neuronale Netze werden auch verwendet um allgemein den Inhalt von Bilder und Texte zu verstehen, Detektion von Spam Emails, Übersetzung von Texten, Erkennung von Text in Bildern (z.B. das Ablesen von Wasser- und Stromzählern, Erkennung von Kfz-Kennzeichen, …)