Deep Learning, Neuronale Netze mit Python - Online

Dreitägiger Deep Learning Kurs mit Fokus, welcher Ihnen den Einstieg in die künstliche Intelligenz ermöglicht:

• Sie lernen Neuronale Netzwerkarchitekturen wie Multi Layer Perceptron (MLP) und Convolutional Neural Networks (CNN) kennen.
• Einführung in semi-supervised Learning.
• Arbeiten Sie mit den führenden Frameworks TensorFlow und Keras auf high-performance GPUs.
• Programmiererfahrung ist erforderlich, idealerweise in Python, aber nicht zwingend notwendig.
• Entwickeln Sie praxisorientierte Lösungen und vertiefen Sie Ihr Wissen in Deep Learning und Künstlicher Intelligenz.

Erlernen Sie in unserem praxisorientierten Deep Learning Kurs die Grundlagen und fortgeschrittenen Techniken im Bereich Künstliche Intelligenz. Unser umfassendes Seminar bietet Ihnen eine solide Einführung in die Arbeit mit Python - der bevorzugten Programmiersprache für Deep Learning Anwendungen.

Durch eine Kombination aus theoretischem Wissen und praktischen Übungen erfahren Sie, wie KI-Modelle entwickelt, trainiert und optimiert werden. Unsere Experten vermitteln Ihnen nicht nur das notwendige Know-how, sondern unterstützen Sie auch dabei, Ihr eigenes Projekt erfolgreich umzusetzen.
Unsere Deep Learning Schulung ist ideal für Einsteiger und bietet wertvolle Inhalte. Erweitern Sie Ihr Wissen und profitieren Sie von praxisnahen Beispielen aus dem Alltag eines KI-Experten.

Der Fokus liegt auf der Nutzung von Python in Kombination mit den bewährten Deep Learning Framework Keras-TensorFlow, um Ihnen den Einstieg in die Entwicklung von Künstliche Intelligenz-Systemen zu erleichtern. Dieses Seminar bereitet Sie optimal auf die Herausforderungen der Zukunft vor und verschafft Ihnen einen Wettbewerbsvorteil in der dynamischen Welt der KI und des Deep Learnings.

Unser Deep Learning Kurs mit GPU-Unterstützung bietet Ihnen die Möglichkeit, eigene Berechnungen auf leistungsstarken NVIDIA GPUs in der Cloud durchzuführen. Sie erhalten eine umfassende Einführung in Deep Learning Algorithmen, wobei der Fokus auf Bilddaten, supervised und semi-supervised learning liegt. Deep Learning gilt als eine der bedeutendsten Technologien im Maschinellen Lernen, einem Teilgebiet der Künstlichen Intelligenz (KI), und findet bereits vielfältige Anwendungen im Alltag.

Im Seminar erlernen Sie, wie man geeignete Modelle trainiert und diese zur Klassifikation oder Schätzung neuer Daten nutzt.

• Schritt-für-Schritt-Anleitung zur Programmierung von Deep Learning Algorithmen mit TensorFlow und Keras.
• Datenvorbereitung und sequentielles Einlesen großer Datenmengen für das Training.
• Erstellung tiefer neuronaler Netze und Konfigurationen für das Training.
• Anwendung der trainierten Modelle auf neue Daten.

Neuronale Netzwerke und ihre Bestandteile werden umfassend besprochen. Die Theorie wird durch praktische Übungen ergänzt, in denen Sie das Gelernte vertiefen können. Die Inhalte werden anschaulich mit Folien und in Übungen dargestellt.
Mögliche Praxisanwendungen, welche Sie in der Industrie mit dem Erlernten umsetzen können:

• Erkennung von Symbolen (z.B. Zahlen und Buchstaben)
• Produktionsüberwachung durch visuelle Fehler- und Verschleißerkennung
• Textur- und Oberflächenanalyse
• Automatisches Tagging von Bildern zur textuellen Bildsuche

Sie werden in diesem TensorFlow Workshop eigene Neuronale Netze entwerfen, in Python mit Keras/TensorFlow umsetzen und in der Cloud mithilfe von Jupyter Notebooks trainieren.
Nach Abschluss des Seminars sind Sie in der Lage, eigenständig Deep Learning Algorithmen zu programmieren und das Gelernte auf neue Problemstellungen anzuwenden.

Besonderheit dieses Deep Learning Trainings:
Jeder Teilnehmer erhält Zugriff auf eine eigene NVIDIA Tesla P100 GPU in der Cloud. Sie arbeiten über den Webbrowser und behandeln dabei typische Fragestellungen, die bei der Nutzung von GPUs in der industriellen Praxis auftreten.
Im Vergleich zu anderen Deep Learning Seminaren, die keine oder nur leistungsschwache GPUs zur Verfügung stellen, bietet unser Künstliche Intelligenz Seminar eine High-Performance GPU-Umgebung.

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

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

Multi-Layer-Perceptron (MLP) in Keras/Tensorflow (Neuronales Netz)

• Wichtige Bauteile eines MLPs: Perceptron, Gewichte, Bias
• Non-linearities (Aktivierungsfunktionen)
• Softmax bei Klassifizierungsaufgaben

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

Convolutional Neural Network (CNN)

• Ein Convolution layer (Faltungsschicht)
• Filter
• Padding und Stride bei der Convolution
• Anzahl an Channel und Filter in der Faltung
• Bias im CNN
• Max-Pooling Layer
• Was lernt ein CNN auf den unterschiedlichen Layern?

Keras Callbacks

• Einen Callback in Keras umsetzen
• Model Gewichte und Architektur speichern
• Early Stopping
• Learning Rate Scheduler
• MlFlow zur Visualisierung des Trainingsverlaufs

Klassifizierung von Bildern

• Softmax-Layer
• Cross-Entropy Loss
• Vorstellung bekannter Netzwerkarchitekturen: VGG-16 und AlexNet
• Regularisierungen: L2 Regularisierung, Drop-Out, Batch Normalisation
• Ein trainiertes Model laden

Daten einlesen mit TF.Data

• typischer Datenworkflow mit tf.data
• Umgang mit großen Datensätzen
• Beschleunigung des Dateneinlesensten einlesen mit TF.Data

Semi Supervised Learning (SSL)

• SSL Learning Überblick
• Semi Supervised mit dem SimCLR Modell
• Erstellung eines Custom tf.keras Models
• contrastive loss

Best practices

• Wie geht man eine neue Deep Learning Aufgabe an?
• Hyperparameter Optimierung
• Model Optimierung (nach dem Training)

Fine-Tuning und pretrained networks

• Weitere bekannte Netzwerkarchitekturen: Inception-V3, ResNet,
• Code von (bereits trainierten) Netzwerken finden
• Vortrainierte Netzwerke für seine Aufgabe verwenden und nachtrainieren (Fine-Tuning, Transfer Learning)

Voraussetzungen für dieses Tensorflow Seminar

Gute Vorkenntnisse in einer anderen Programmiersprache oder erste Erfahrung mit Python werden für diese Künstliche Intelligenz Schulung vorausgesetzt. Erfahrung im Umgang mit Daten ist notwendig. Zusätzlich haben sich bisher diese Kenntnisse als hilfreich herausgestellt: Eine Funktion (in Python) schreiben, das Laden von Python-Bibliotheken, eine for-Schleife schreiben bzw. eine einfache Grafik mit Matplotlib zeichnen und Grundlagen in numpy. Sehr zu empfehlen sind zudem Grundlagen im Bereich der Statistik (Median, Mittelwert, Standardabweichung, Normalverteilung), Kenntnisse mathematischer Symbole und Begriffe, wie das Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion.

Die benutzte Programmieroberfläche im Seminar ist Jupyter Notebook, welche ohne Vorerfahrung benutzt werden kann.
Englischkenntnisse (lediglich im Verstehen von englischen Texten) sind sehr nützlich, da Python und die Internet-Dokumentationen auf Englisch sind. Daher sind auch die Folien im Kurs auf Englisch. Die Schulung selbst wird auf Deutsch gehalten.

Technik im Deep Learning Kurs

• 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.
• 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.

Hinweis - Besonderheit dieses Deep Learning Training

Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU. Der Zugang erfolgt 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 / Künstliche Intelligenz Seminare bieten gar keine oder nur low-performance GPUs für die Teilnehmer.

Damit Sie direkt nach dem Seminar mit Ihrer Deep Learning Anwendung 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.).

Hinweis

Das Online-Seminar wird über die E-Learningplattform von Enable AI bereitgestellt. Zur Einrichtung des User-Accounts und Zusendung von Zugangsdaten und Nutzung der Lernplattform übermitteln wir Name, Anschrift, Emailadresse der Teilnehmer an Enable AI. In diesem Zusammenhang wird auch die Telefonnummer zur Klärung der technischen Fragen übermittelt.