Kurs-ID: KIneuronaleNetzwerke

Neuronale Netzwerke (Künstliche Intelligenz, Machine Learning) | Schulung, Seminar

In dieser 2-tägigen Schulung „Neuronale Netze & Deep Learning“ lernen Sie anhand praxisnaher Beispiele aus der automatischen Bilderkennung zentrale Methoden des maschinellen Lernens kennen. Sie erfahren, wie sich mithilfe vorhandener Daten und moderner neuronaler Netze neue, unbekannte Daten automatisch in zuvor definierte Klassen einordnen lassen.
Im Verlauf des Workshops erhalten Sie eine fundierte Einführung in die Grundlagen neuronaler Netze sowie deren Training, Optimierung und Evaluierung. Sie machen sich mit typischen Vorgehensweisen, Besonderheiten und Best Practices im Deep Learning vertraut und lernen grundlegende Konzepte des Machine Learning kennen. Darüber hinaus werden die Unterschiede zur klassischen Mustererkennung verständlich erläutert.
Ein besonderer Fokus liegt auf Deep Learning und dem Einsatz tiefer neuronaler Netzarchitekturen. Sie beschäftigen sich intensiv mit Convolutional Neural Networks (CNNs) sowie bekannten Architekturen wie der Inception-Architektur von Google. Dabei werden sowohl typische Herausforderungen als auch praxiserprobte Lösungsansätze behandelt.
Das Seminar verbindet Theorie und Praxis auf ideale Weise: Mit TensorFlow und zahlreichen Code-Beispielen wenden Sie das Gelernte direkt an. Die Teilnehmerzahl ist auf sechs Personen begrenzt, um eine individuelle Betreuung und einen hohen Lernerfolg sicherzustellen.

Seminar-Kategorie:

Künstliche Intelligenz (KI), Künstliche Intelligenz für IT-Profis, Technische Seminare

Seminar-Art:

Einzel-Coachings, Firmen Seminare, Offene Seminare, Online-Seminare

Schulungsdauer:

16 Stunden in 2 Tagen

Teilnahmegebühr:

1.695,00 € zzgl. 19% MwSt.
2.017,05 € inkl. 19% MwSt.

AdobeStock 287251396

Seminarinhalt

Grundlagen neuronaler Netze

  • Prinzip und Entstehung neuronaler Netze
  • Erste Einführung in TensorFlow
  • Lernprinzip neuronaler Netze
  • Unterschiede zur klassischen Mustererkennung
  • Evaluierungsstrategien
  • Overfitting und Gegenmaßnahmen

Deep Learning

  • Problemursachen und Herausforderungen
  • Allgemeine Lösungstechniken (u.a. ReLUs, Batch Normalization, Learning Rate Schedule, Varianten des Gradient Descent)
  • Convolutional Neural Networks (CNNs)
  • Tiefe, populäre CNN-Architekturen
  • Freies Experimentieren anhand einer Challenge
  • Transfer Learning mit vortrainierten Modellen
  • Komponenten tiefer Architekturen – Untersuchung und Interpretationsansätze

Zielgruppe

  • Programmierer/innen

Voraussetzungen

  • Python Grundlagen

Termine

0
Seminarkorb
Seminarkorb ist leerZum Seminarkatalog
Secret Link