Deep Learning Schulungen & Inhouse-Seminare

Dieses Grundlagen Seminar Deep Learning richtet sich an Einsteiger:innen im Bereich Deep Learning, die die wichtigsten Konzepte kennenlernen wollen, die sie für die Erstellung von Deep-Learning-Modellen mit bekannten Methoden benötigen. Da der Kurs davon ausgeht, dass Sie zuvor keine umfangreichen Erfahrungen mit neuronalen Netzen und Deep Learning gemacht haben und beginnt er mit einer Übersicht über die für Deep Learning erforderlichen Grundlagen des maschinellen Lernens. Danach bereiten Sie Daten durch Bereinigung und Vorverarbeitung für Deep Learning vor und es werden step-by-step neuronale Netze und die überwachten neuronalen Netzarchitekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Generative Adversarial Networks (GANs) sowie unüberwachte Architekturen wie Autoencoder (AEs), Variational Autoencoder (VAEs) und Restricted Boltzmann Machines (RBMs) und Transformer vorgestellt.
 
Zu den praktischen Anwendungen werden die Klassifizierung von Texten in vordefinierte Kategorien, die syntaktische Analyse, die Stimmungsanalyse, die synthetische Generierung von Text und das Tagging von Sprachbestandteilen behandelt. Im Rahmen der Bildverarbeitung werden die Klassifizierung von Bildern in verschiedene Kategorien und der fortgeschrittenen Objekterkennung mit zugehörigen Bildkommentaren sowie die Generierung von Bildern mithilfe von Autoencodern und GANs in Programmcode (Python) umgesetzt.

Machine Learning- und Deep Learning-Techniken extrahieren komplexe verborgene Muster in Zeitreihendatensätzen, die für klassische statistische Methoden unerreichbar sind. Das macht Deep Learning zu einem wichtigen Tool für die Zeitreihenprognose. 

Nach Teilnahme an diesem ML/DL Seminar wissen Sie, wie moderne neuronale Netze und die letzten Fortschritte im Deep Learning auf reale Vorhersageprobleme angewendet werden können. Sie beherrschen die Techniken des maschinellen Lernens, die für Prognoseprobleme relevant sind, von univariaten und multivariaten Zeitreihen von überwachtem Lernen bis hin zu modernsten Deep Forecasting-Modellen wie LSTMs, rekurrenten neuronalen Netzen (RNNs), dem Open-Source-Modell Prophet von Facebook und Amazon DeepAR-Modell.

Der Kurs eignet sich auch für diejenigen, die mit der Arbeit an Vorhersageaufgaben anfangen, mit traditionellen Modellen beginnen und schrittweise zu immer fortgeschritteneren Modellen übergehen möchten. 

Dieses fünftägige Machine Learning / Deep Learning  Intensiv-Seminar bietet Ihnen einen schnellen und fundierten Einstieg in das Thema Künstliche Intelligenz mit Schwerpunkt auf Machine Learning und Deep Learning. Sie lernen die wichtigsten Best Practices und Techniken für die Erstellung von Projekten auf Basis von Open-Source-Bibliotheken wie Scikit-Learn, Keras, TensorFlow, PyTorch, OpenCV und Huggingsface kennen.

Nach Teilnahme sind Ihnen Begriffe wie Embeddings, Object Detection, Image Segmentation, Attention Mechanism, GANs vertraut und Sie kennen die dahinterliegenden Methoden. Modelle zur Bildklassifizierung, Objekterkennung, Verarbeitung natürlicher Sprache sowie Zeitreihenanalysen haben Sie verstanden und können diese praktisch einsetzen. 

Im Seminar Deep Natural Language Processing (NLP) mit Transformern werden wir Schritt für Schritt Lösungen für eine Vielzahl von NLP-Problemen liefern, die von der automatischen Text-Zusammenfassung, der semantischen Dokumentensuche, der Erstellung eines Sprachenübersetzers, Informationsextraktion, semantisches Parsing und Dialogsysteme bis zur Beantwortung von Fragen (Q&A) reichen. Wir werden lernen, wie wir mit Hilfe von Transformern erstklassige Ergebnisse erzielen.
 
Das Ziel dieses Kurses ist es, die Teilnehmenden in die Lage zu versetzen, ihre eigenen Sprachanwendungen zu erstellen. Zu diesem Zweck konzentriert sich das Seminar auf praktische Anwendungsfälle und geht nur dort auf die Theorie ein, wo es notwendig ist. 
 
Da sich seit der Einführung im Jahr 2017 die Transformer sowohl in der Wissenschaft als auch in der Industrie zum De-facto-Standard für die Bewältigung eines breiten Spektrums von Aufgaben der natürlichen Sprachverarbeitung (NLP) entwickelt haben, liegt der Schwerpunkt des Kurses auf den vortrainierten Modellen ELMO und BERT (nebst den zahlreichen anwendungsspezifischen Varianten) sowie auf OpenAI's GPT und demzufolge auf den Softwarebibliotheken Huggingface und Haystack.

Der Deep-Learning-Kurs behandelt die Grundlagen der Anwendung des maschinellen Lernens auf die Satellitenbildanalyse. Die Teilnehmer beginnen mit der grundlegenden Regressionsanalyse und gehen dann zu neuronalen Netzen, CNNs und U-Net für die Gebäudeextraktion und Landbedeckungskartierung über. 

Dieser Kurs bietet einen umfassenden Überblick über verschiedene Deep-Learning-Techniken zur Analyse von Satelliten- und Luftbildern einschließlich Architekturen, Modellen und Algorithmen für Aufgaben wie Klassifizierung, Segmentierung und Objekterkennung. 

Sie lernen

• Grundprinzipien von Transformern 
• Tokenisierung, Training und Implementierung von Transformern
• Text-Übersetzungen, Text-Zusammenfassungen, Text-Generierung
• Semantische Suche
• Text-zu-Bild-Suche 
• Siamesische Netzwerke
• Transformer für eigene Applikationen zu nutzen
• Die Nutzung des HuggingFace Ökosystems
  
  

Der Kurs ist praxisorientiert, mit direkten praktischen Fallstudien und Datensätzen. Theorie wird begleitend erworben. Der Kurs entspricht etwa dem Inhalt des Buches: Natural Language Processing with Transformers, Revised Edition by Lewis Tunstall, Leandro von Werra, Thomas Wolf.

Ein zentrales Ziel des Intensivkurses "Deep Learning mit Praxisanwendungen " ist, dass Teilnehmende anhand der eingeübten Problemstellungen das grundlegende Konzept von Deep Learning und Keras verinnerlicht haben.  So können Sie Ihr Wissen selbstständig nach dem Seminar  erweitern und aus der Menge von veröffentlichten Anwendungsfällen, die für Sie in der Praxis benötigten Konzepte eigenständig mit Hilfe von open source code anpassen und umsetzen. 

In dieser Schulung lernen Sie unterschiedliche Neuronale Netze und deren Performance bei klassischen Problemstellungen in der Bildverarbeitung mit Deep Learning kennen.
Sie sind in der Lage, Neuronale Netze mit verschiedenen Schichten zu enwerfen und setzen diese mit Keras in Python um.
Sie verfügen nach dem Seminar über die Basis, um sich selbständig andere Anwendungsfälle im Deep Learning anzueignen.