TensorFlow 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.

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. 

Wenn Sie ein TensorFlow Lite Modell für  maschinelles Lernen auf einem Gerät oder einer mobilen Anwendung  einsetzen, erreichen Sie, dass das Modell auf der Grundlage von Eingaben  des Geräts oder des Endbenutzers verbessert oder personalisiert wird.  Die Verwendung von Trainingstechniken auf dem Gerät ermöglicht es Ihnen,  ein Modell zu aktualisieren, ohne dass die Daten die Geräte Ihrer  Benutzer verlassen, was den Datenschutz verbessert und ohne dass die  Benutzer die Gerätesoftware aktualisieren müssen.

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.