Kursbeschreibung
Dieser Kurs bietet dir einen kompakten Einstieg in das Thema Machine Learning und vermittelt praxisnahes Wissen anhand realer Daten, Modelle und Live-Demonstrationen. Du lernst, wie neuronale Netze funktionieren, wie sich Daten aus Bildern, Texten oder Tabellen aufbereiten und visualisieren lassen und wie du passende Modelle und Algorithmen für deine Aufgaben auswählst und einsetzt.
Mit Fokus auf TensorFlow und Keras entwickelst du ein fundiertes Verständnis für die Möglichkeiten und Grenzen moderner KI-Lösungen. Das Training richtet sich an alle, die ohne Vorkenntnisse im Bereich Machine Learning den Grundstein für eigene Projekte legen möchten.
Die wichtigsten Themen im Überblick
- Deep Learning mit Python
- TensorFlow und Keras nutzen
- Neuronale Netze verstehen
- Modelle praxisnah trainieren
- Daten sauber aufbereiten
- Bild- und Textmodelle bauen
Zielgruppe
Dieses Seminar richtet sich an Fachkräfte, die neu in den Bereich Machine Learning einsteigen und als Data Scientists oder Softwareentwickler praxisnahes Wissen für den produktiven Einsatz moderner KI-Lösungen erwerben möchten.
Voraussetzung für die Schulung
Für diese Schulung sollten Teilnehmende sicher mit Python umgehen, praktische Erfahrung mit Numpy und Jupyter-Notebooks mitbringen und bereits an komplexen Softwareprojekten gearbeitet haben. Vorkenntnisse im Machine Learning sind nicht erforderlich.
Kursinhalte
Folgende Lerninhalte werden in unserem Deep Learning-Kurs vermittelt:
- Einführung und Übersicht
- Begriffsklärung: Machine Learning, Neuronale Netze, Deep Learning, AI, Perzeptron…
- Aufsetzen der Python-Umgebung (Scipy, Keras, TensorFlow…)
- Machine Learning Grundlagen
- Python und Einführung in Machine Learning
- Crashkurs und Übersicht Numpy und Pandas
- Maschinelles lernen richtig verstehen ohne ML Bibliotheken
- Das Perzeptron
- Mathematische Grundlagen einfach erklärt
- Skalarprodukte und Heaviside-Funktion (ja wirklich Heaviside)
- Delta-Regeln
- Neuronen mit Bias
- Eingabe- und Ausgabe-Neuronen
- Lernrate und Training
- Visualisierung mit Matplotlib und Pandas
- Datenaufbereitung, Testsets und Parameter
- Richtige Trainingsdaten auswählen
- Varianzen und potentielle Probleme
- Ungereimtheiten und Abweichungen finden
- Einschätzung Machbarkeit, Ressourcen-Aufwand, Genauigkeit & Co
- Daten vektorisieren und standardisieren
- CSV- und Text-Dateien
- Bilder
- Andere Datenquellen
- Neuronale Netze mit Tensorflow
- Übersicht und Architektur
- Tensorflow 2.0
- Was ist ein neuronales Netzwerk?
- Überwachtes lernen mit neuronalen Netzwerken
- Modelle für verschiedene Szenarien
- Arten von Algorithmen
- Bild-Klassifizierung
- Textverständnis
- Validierung der eigenen Modelle
- Deep Learning und Keras
- Aktuelle Trends
- Anwendungsbereiche und aktuelle Beispiele
- Unüberwachtes lernen
- Arten von Netzwerken und Modellen
- Keras
- Dataset Objects
- Modelle trainieren
- GPU Optimierung
- Modell Konfigurationen
- KerasTuner
- Echte Beispiele von Anfang bis Ende
- Visualisierung des Modells
