Deep Learning
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. Der Übungsanteil ist rund 50% der Zeit.

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

• Funktionsweise und Aufbau der Neuronalen Netze
      - Eigenschaften der verschiedenen Aktivierungsfunktionen
      - Wann müssen welche Typen von Neuronen verwendet werden.
      - Welche Loss-Funktion ist bei welchen Problemen geeignet.
      - Unterschiedliche Optimierer für das Training und ihre Eigenschaften.
  
• Keras (ein Python-Baukasten speziell für Neuronale Netze)
      - Sequential Model
      - Functional-API  für die Programmierung von beliebigen Netzarchitekturen
  
• Konstruktion & Training von Neuronalen Netzen (mit Keras und TensorFlow als Backend)
• TensorBoard, Inspektion des Verlaufes des Modell-Trainings
• "Convolutional" Neuronale Netze
• Verwenden und anpassen von fertig trainierten Modellen auf eigene Problemstellungen.
• Einsatz von Convolutional Neuronalen Netzen für Bilderkennungs-Algorithmen
• Kombinierung von Keras und Scikit-Learn für die Modellparameter-Optimierung sowie die Evaluierung und Visualisierung der Vorhersagekraft eines Modells.
• Ausgewählte Themen des allgemeinen Machinellen Lernens (z.B. "Representation Learning" und "Generalization Theory")  

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.