Deep Learning Zertifikatslehrgang

In Kooperation mit der

* zzgl. USt. | 10% Rabatt für den zweiten und jeden weiteren Teilnehmer

Termin
(4 x 2 Tage)
Ort
Zeit
Preis*

13.04 – 22.06.22

Live-Online

9 – 17 Uhr

5.900 €

04.10.- 07.12.22

Live-Online

9 – 17 Uhr

5.900 €

Seminar auf einen Blick

Über die Schulung

Über die Schulung

Seminar auf einen Blick

Der Deep Learning Lehrgang in Kooperation mit der Bitkom Akademie führt Sie in die Deep Learning (DL) Algorithmen 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)

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.

Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU, um die Neuronalen Netze in Keras 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.

 

Download der Kursinhalte als pdf. Weitere Informationen finden Sie auch auf der Kursseite der Bitkom-Akademie.

Bei weiteren Fragen kontaktieren Sie gerne uns
Email: [email protected] 
Telefon: 0711-96 88 15 53

oder

Vincent Bergner von der Bitkom-Akademie
Email: [email protected]
Telefon: 030 27576-539

Über den Lehrgang

Ihre Trainer für den Kurs

Seminar auf einen Blick

Thematisch ähnliche
Schulungen

Auswahl ähnlicher Kurse wie der Deep Learning Zertifikatskurs

Weitere Seminare und Termine

Die nächsten Kurse

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

(1 Tag) In diesem Seminar lernen Sie wie man mit Pivottabellen in Excel leicht Elemente zusammenfassen kann. Pivot Tabellen helfen bei der Organisation, beim Gruppieren, Filtern und Rechnen. Zudem werden Alternativen zur Pivot Tabelle vorgestellt.

(1 Tag) Big Data in Excel: Der Schwerpunkt des Seminars liegt in der Aufbereitung und Verknüpfung unterschiedlicher Tabellen oder – allgemein gesprochen: wie kann man (große) Datenmengen aus unterschiedlichen Quellen verarbeiten? Ziel ist es mit Hilfe des Datenmodells komplexe Auswertungen vereinfacht durchzuführen.

In diesem Seminar legen Sie die den Umgang Formeln und Funktionen in Microsoft Excel mit dem Schwerpunkt „statistische Funktionen“ kennen. Sie erfahren welche Funktionen und Werkzeuge Excel für die deskriptive und explorative Statistik verwendet und wie diese Methoden zur Analyse empirischer Daten einsetzen und in Excel berechnen kann.

(1 Tag) Dieser Excel Kurs zeigt Ihnen wie sie mit Hilfe von Power Query leicht Daten abrufen und transformieren können. Sie erlernen den Zugriff auf Datenquellen unterschiedlichster Art und das Verarbeiten dieser Daten.

In zwei Tagen lernen Sie wie Sie mit dem kostenlosen Tool Power Bi Desktop ihre Daten analysieren und in interaktiven Berichten darstellen können. Die Abfragesprache DAX wird eingeführt. Sie erlernen Daten aus verschiedenen Quellen abzufragen, zu transformieren und gemeinsam mit den Visuals zu visualisieren.

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.

(1 Tag) In diesem Digitalisierungs Seminar lernen Sie Denk- und Handlungswerkzeuge kennen, die die aktuellen Trends der Digitalisierung mit zeitlosen Grundsätzen untermauern. Das Seminar hat zum Ziel, Führungskräften ein tieferes Verständnis für strategische Entscheidungen im Kontext von Digitalisierungsprojekten zu entwickeln.

(3 Tage) Sie lernen Daten mit VBA zu analysieren und zu bearbeiten. Sie lernen Wege wie wiederkehrende Routineaufgaben leicht mit VBA programmiert werden können. Der Kurs führt auch in die Programmierung (mit VBA) ein.

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.

(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.

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.

(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.

(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 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 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) 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.

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) 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 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).

(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.

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) 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.

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.

(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) 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.

(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) 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 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.