Tiefe Neuronale Netze

In den letzten 10 Jahren kam es auf dem Gebiet der Künstlichen Intelligenz (KI) zu einer Reihe von revolutionären Durchbrüchen. Die meisten dieser Durchbrüche gehen auf das Revival des alten, aber lange unterschätzten Teilgebietes des Maschinellen Lernens zurück, welches auf dem Einsatz von neuronalen Netzen basiert und welches heute unter dem Namen “Deep Learning” bekannt geworden ist.

Der Deep-Learning-Kurs gibt einen Überblick über die Hauptideen und Techniken des Deep-Learnings und behandelt die praktische Implementierung von Deep-Learning-Algorithmen mit Python & Keras unter Verwendung von TensorFlow. Der Übungsanteil ist rund 50% der Zeit.

Am Kursende sind die Teilnehmer in der Lage, moderne Bilderkennungs-Algorithmen sowie Vorhersagemodelle in wenigen Zeilen Code selber zu programmieren. Der Kurs setzt Grundkenntnisse in Python voraus. Grundkenntnisse in Linearer Algebra, Differenzialrechnung und Wahrscheinlichkeitsrechnung sind vorteilhaft. Die behandelten Themen sind:

1) Einleitung:

  • Wie sind neuronale Netze aufgebaut?
  • Hauptanwendungsgebiete von tiefen neuronalen Netzen.
  • Überblick über Frameworks für tiefe neuronale Netze.

2) Das Sequential Model in Keras:

  • Tensorflow logging level einstellen.
  • Backpropagation
  • Aktivierungs-Funktionen
  • Loss functions
  • Optimizers
  • Convolutional networks.
  • Wichtige Keras-Layers für Bilder-Input.
  • Allgemein wichtige Keras-Layers.
  • Informationen über Keras-Layer-shapes erhalten.
  • Ein Keras-Model kann als Keras-Layer eingesetzt werden.
  • Logging und Monitoring der model.fit() Methode.
  • Mit TensorBoard Fortschritt von model.fit() überwachen.

3) Die Keras functional API:

  • Komplexe Netz-Architekturen.
  • Shared Layers.
  • String- oder Object-Argumente für die compile() Methode.

4) Modelle wiederverwenden. Transfer-Learning:

  • Ein Modell speichern und wieder laden.
  • Bereits trainierte Modelle aus dem Internet laden.
  • Fixieren von internen Modell-Gewichten in verschiedenen Layern.
  • Layers von einem Modell entfernen.
  • Modelle mit mehreren Input-Layern und/oder Output-Layern.

5) Problematische Situationen - Lösungen dazu:

  • Overfitting
  • Explodierende / verschwindende Gradienten.
  • Sehr große Datensätze.

Standard Kursdauer: 2 Tage.

Auf Wunsch kann dieser Kurs auch mit anderen Kursen kombiniert werden mit Dauer zwischen 2 und 5 Tagen. Die Kombination mit dem Scikit-Learn-Kurs ist sehr beliebt.

Wenn Sie Interesse an diesem Kurs haben, schicken Sie uns eine Nachricht, da wir die Kurse dynamisch je nach Nachfrage planen.