Deep Learning und Neuronale Netze mit Python, Pandas, Keras und TensorFlow
.svg)
.svg)
.svg)
Machine Lerning Engineer
1. Einführung in das Deep Learning
- Was sind neuronale Netze und wie lernen sie?
- Mathematische Grundlagen kompakt erklärt
- Neuronale Netze mit Keras und TensorFlow
- Modelle: Evaluation und Anpassung
- Modelle: Einsatz und Speicherung
2. Datenvorbereitung und Feature Extraction
- Datenvorbereitung mit Pandas
- Explorative Datenanalyse
- Standardisierung von numerischen Daten und Textdaten
- Feature Extraction: Merkmale aus Daten extrahieren
- Netze mit geringen Datenmengen trainieren
3. Spezialisierte neuronale Netze
- Konvolutionale neuronale Netze (CNN)
- Aktualisierung von Gewichten bei CNNs
- Max Pooling und Dropout
- Anlernprozesse überwachen mit TensorBoard
- Rekurrente neuronale Netze (RNN)
- Zeitreihenanalyse und Textverarbeitung mit RNN
4. Modelle deployen und Transfer-Learning
- Einsatz von Cloud-GPUs für Machine-Learning-Projekte
- Einführung in Transfer Learning und Modell Zoo
- Vorstellung von ImageNet, ResNet, VGG16
- Vortrainierte Layers in eigenen Projekten nutzen
Mit diesem Seminar erhältst du tiefgehendes Wissen über Konzepte und Methoden des Deep Learnings. Du lernst die Möglichkeiten und Grenzen der Technologie kennen und erstellst, trainierst und optimierst selbst eigene Datenmodelle und neuronale Netze.
Du lernst die praktische Arbeit den wichtigsten Python-Frameworks kennen und weißt, wie du sie in eigenen Projekten einsetzen kannst.
Die technischen Hürden für den Einstieg sind minimal – durch den Einsatz von Jupyter Notebooks und kostenfreier Cloud-GPUs.
Nach Abschluss dieses Trainings wirst du nicht nur fundierte theoretische Kenntnisse in Deep Learning besitzen, sondern auch praktische Erfahrung in der Anwendung moderner KI-Technologien gewinnen. Du wirst fähig sein, neuronale Netze zu evaluieren, anzupassen und produktiv einzusetzen. Zudem erlernst du, wie du die Technologien in eigenen Projekten nutzt. Dies qualifiziert dich für fortgeschrittene Aufgaben in der KI-Entwicklung.
Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt. Individuelle Betreuung durch die Referent:innen ist garantiert.
Die Übungsaufgaben werden in Form von Jupyter Notebooks bereitgestellt, die du lokal auf dem eigenen Rechner installieren kannst. Das rechenintensive Trainieren der Datenmodelle wird auf frei verfügbaren Cloud-GPUs durchgeführt.
Bei der Durchführung der praktischen Übungen stehen dir die Referent:innen zur Seite – im virtuellen Klassenraum oder individuell in Break-out-Sessions.
In deiner Online-Lernumgebung findest du nach der Anmeldung alle Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.
Dieses Training richtet sich an alle, die Machine Learning im Detail verstehen und im Rahmen von eigenen Projekten einsetzen möchten.
Grundlegende Kenntnisse in der Programmierung mit Python werden vorausgesetzt. Weitergehendes technisches, mathematisches und statistisches Vorwissen ist hilfreich, aber nicht erforderlich.
Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum Data Scientist, Data Engineer und Machine Learning Engineer.
.jpg)
.svg)
