KI Bilderkennung in Python - Deep Learning mit Keras

Kurs mit Keras-Tensorflow. Grundlagen von Machine Learning Bilderkennung

(*) zzgl. MwSt    (**) inkl. MwSt
Termin (3 Tage)
Ort
Belegung
Preise

19.07.21 –
21.07.21

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

15.11.21 –
17.11.21

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

Seminarinhalte auf einen Blick

Über die Schulung

Deep Learning Kurs im Detail

YouTube

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

Video laden

Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Über die Schulung

Inhalte auf einen Blick

Deep Learning Kurs im Detail

YouTube

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

Video laden

Bildungsschecks

Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.
Neuron mit leuchtendem Punkt in der Mitte. Deep Learning Bildverarbeitung.

Unser Deep Learning Kurs führt Deep Learning (DL) Algorithmen für den Bereich der KI Bilderkennung ein. Das Besondere ist, dass jeder Teilnehmer in dieser Schulung auf einer eigenen high-performance GPU (NVIDIA Tesla P100) in der Cloud rechnet. Bilderkennung programmieren zu erlernen mit vielen praxis-orientierten Aufgaben ist das Ziel der Schulung. DL Algorithmen sind derzeit eine der wichtigsten Algorithmusklasse des Maschinellen Lernens, einem Teilgebiet der Künstlichen Intelligenz (KI, englisch: Artificial Intelligence (AI)) und sind bereits in vielen Bereichen in unserem Alltag integriert.

Dieser Kurs hat seinen Schwerpunkt in der Bilderkennung mit KI Algorithmen. Drei häufige Anwendungsfelder mit Bilddaten im Bereich Maschinelles Lernen Bilderkennung werden behandelt: Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. 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)
  • Pixel-weises Erkennen von Objekten / Menschen auf Dronen- bzw. Satellitenbildern,
  • Visuelle Defekterkennung während des Produktionsprozess
  • Erkennen von Objekten auf Kamerabildern, um so z.B. eine Sortierung, ein Greifen, o.ä. zu ermöglichen
  • Die Lagebestimmung von Objekten auf Bild/Videodaten erkennen,
  • Textur-/Oberflächenanalyse,
  • Das automatische Tagging von Bildern, z.B. zur Ermöglichung einer textuellen Bildsuche

Diese Schulung führt in das Gebiet der Neuronalen Netze (Deep Learning Algorithmen) ein. Es werden die am häufigsten verwendeten Deep Learning Bildverarbeitungs Algorithmen (Neuronale Netze) theoretisch behandelt (u.a. Multi Layer Perceptron, Convolutional Neural Network) und in praktischen Übungen lernen Sie in Python mit den Framework Keras / Tensorflow mit high-performance GPUs Algorithmen für KI Bilderkennung zu programmieren. 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.

Verschiedene Neuronale Netze werden im Seminar auf unterschiedlichen Datensätzen trainiert. Wir behandeln typische Anwendungsfälle der Deep Learning Bilderkennung (Objektdetektion mit Bounding Boxes, Semantische Segmentierung, Bild-Klassifizierung). Dabei lernen wir die Leistungsfähigkeit der Algorithmen kennen und behandeln typische Probleme während des Trainings und deren Lösungsmöglichkeiten (u.a. Regularisierung während des Trainings).

Einfache Neuronale Netze mit verschiedenen Schichten (Layern) werden von den Teilnehmern entworfen und mit dem Framework Keras / Tensorflow in der Programmiersprache Python in der Cloud mit Jupyter Notebooks auf high-performance GPUs programmiert und trainiert. Es werden die Grundlagen vermittelt, um sich nach dem Seminar selbstständig weitere Anwendungsfälle im Deep Learning,  mit Fokus auf AI Bilderkennung, anzueignen und das Gelernte auf die eigene Problemstellungen anwenden zu können.

Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU, um die Neuronalen Netze im Bereich computer vision 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 direkt nach dem Kurs mit Deep Learning in Python Bilderkennung 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
Beispiel eines Convolutional Neural Networks (CNN)
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
Bounding Boxes, Objekt Detektion. Skateboarder mit Boxen
Detektion von Objekten durch Bounding Boxes
  • Netzwerk mit zwei verschiedenen Outputs
  • Mean-Squared-Error und Cross-Entropy Loss
  • Trainingsgüte: intersection over union (IoU)
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Beispiel einer Semantische Segmentierung, einer Algorithmus Art von Deep Learning
Semantische Segmentierung (pixelweises Klassifizieren)
  • Cross-Entropy Loss für Multiclass Segmentierung
  • mean IoU in der semantischen Segmentierung
  • Vorstellung bekannter Netzwerkarchitekturen: U-Net
  • Up-Convolution
12:30 – 13:30
Mittagspause
13:30 – 15:00
Beispiel einer Data Augmentation, in Machine Learning verwendet
Training mit wenig Daten
  • Erweiterung des Trainings-Datensatzes durch Data Augmentation
  • Umsetzung in Keras
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 des KI (Bilderkennung) Kurses

Diese Deep Learning Bildverarbeitung Schulung ist für technisch interessierte Fachkräfte, welche die Python Bilderkennung mit Deep Learning Algorithmen erlernen möchten. In der Arbeit möchten Sie Deep Learning Algorithmen in Keras (Tensorflow) programmieren und trainieren können. Nebenbei lernen Sie in der Schulung den Umgang mit GPUs.

Voraussetzungen für den Python Vision KI Kurs

Grundkenntnisse in Python oder solide Erfahrung in einer anderen Programmiersprache werden vorausgesetzt. Erste einfache Erfahrung mit Bilddaten ist notwendig. Folgende Kenntnisse sind sehr hilfreich: Eine Funktion in Python schreiben, for-Schleife, Laden von Python-Modulen, einen einfachen Plot mit Matplotlib erstellen, Grundfunktionen der Numpy-Bibliothek, ein Bild als Matrix von Farbkanälen verstehen (RGB x Breite x Höhe).
Sehr empfehlenswert sind außerdem grundlegende Vorkenntnisse im Bereich der Statistik (Mittelwert, Median, Standardabweichung, Normalverteilung), Kenntnisse grundlegender mathematischer Symbole und Begriffe (Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion).
Jupyter Notebook wird als Programmieroberfläche verwendet. Vorkenntnisse sind nicht notwendig.
Hilfestellung, Dokumentation und weiterführende Informationen im Internet sind meist auf Englisch. Daher sind die Folien im Kurs auf Englisch. Das Seminar selbst wird auf Deutsch gehalten.

Didaktischer Aufbau der computer vision KI Schulung

Dieses Seminar für Deep Learning in Python lebt von der Praxis. Die Teilnehmer programmieren direkt die Bilderkennung (computer vision) mit KI Algorithmen (tiefe neuronale Netze) und verwenden selbstständig Python in der cloud mit Jupyter Notebooks. Das Erklärte kann in diesem Künstliche Intelligenz Training gleich umgesetzt und vertieft werden. Verschiedene Aufgaben werden durch den Trainer begleitet und die Teilnehmer werden bei Fragen aktiv unterstützt.

Technik im Tensorflow Bilderkennung - Deep Learning Seminar

  • 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 die Schulung

Seminar auf einen Blick

Deep Learning Kurs im Detail

YouTube

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

Video laden

Bildungsschecks

Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.

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 Deep Learning Bilderkennungs Kurs

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 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) 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) 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.

(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) 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) 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).