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.
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
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenDeep 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
Deep Learning Kurse in Stuttgart im Detail
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenWeitere Schulungsorte
Das sagen bisherige Teilnehmer
Weitere Seminare und Termine
Die nächsten Kurse
(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.
(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.
Natural Language Processing Seminar. 1. Tag – Machine Learning Verfahren: Linguistische Vorverarbeitung, Textklassifikation bzw. Text Clustering (Python Module spacy bzw. scikit-learn). 2. Tag – Neuronale Netze: Wortvektoren, TextKlassifizikation mit LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung), Transferlernen mit vortrainierten Modellen. (Keras/Tensorflow)
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) 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 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.
(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.
(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 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 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.
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) 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.
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.
Natural Language Processing Seminar. 1. Tag – Machine Learning Verfahren: Linguistische Vorverarbeitung, Textklassifikation bzw. Text Clustering (Python Module spacy bzw. scikit-learn). 2. Tag – Neuronale Netze: Wortvektoren, TextKlassifizikation mit LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung), Transferlernen mit vortrainierten Modellen. (Keras/Tensorflow)
(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 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 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.
(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.
Natural Language Processing Seminar. 1. Tag – Machine Learning Verfahren: Linguistische Vorverarbeitung, Textklassifikation bzw. Text Clustering (Python Module spacy bzw. scikit-learn). 2. Tag – Neuronale Netze: Wortvektoren, TextKlassifizikation mit LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung), Transferlernen mit vortrainierten Modellen. (Keras/Tensorflow)
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) 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.
Weitere Schulungsorte
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.
Seminar: Deep Learning mit GPUs (für Bildverarbeitung) - Seminar mit high-performance GPUs: Keras (Tensorflow) für Bilddaten
Seminar: Deep Learning Einführung mit GPUs - Seminar mit high-performance GPUs: Keras zur Analyse von Daten, Bildern, Zeitreihen
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, …)
