Inhalt

Die Hands-on-Schulung in künstlicher Intelligenz mit neuronalen Netzen
KI praktisch einsetzen: Deep Learning als fortgeschrittene Methode im Portfolio eines Data Scientist wird an einem intensiven Tag geschult. Sowohl die Theorie tiefer neuronaler Netze als auch die Umsetzung mit Hilfe von Googles Open Source Tools wie Tensorflow sind Teil des Programms. Die Schulung ist passend für alle, die selbst neuronale Netze entwickeln und trainieren möchten, um Muster zu erkennen und Vorhersagen zu treffen.

Deep Learning, d.h. tiefe neuronale Netze mit vielen Layern, haben sich innerhalb weniger Jahre enorm weiterentwickelt und sind zum State-of-the-Art vor allem im überwachten maschinellen Lernen geworden. Aus „Daten und Antworten“ entwickeln sie Regeln und erlauben präzise Vorhersagen für neue Daten. Bedeutende Fortschritte wurden in der Bild- und Spracherkennung gemacht, aber auch für Zeitreihen und viele andere Daten hat sich Deep Learning zum wichtigsten Tool im maschinellen Lernen entwickelt und gehört somit zum Portfolio der fortgeschrittenen Methoden eines Data Scientist.

Dieser Kurs erläutert die Funktionsweise von Deep Learning, den Aufbau effizienter Modelle sowie deren Training. Mit dem "Deep Learning Workflow" lernen Teilnehmer die Arbeitsschritte in Praxisprojekten, die Vermeidung von Overfitting und den Einsatz der Deep-Learning-Bibliothek TensorFlow, für die mit Keras eine nutzerfreundliche Schnittstelle aus Python und R heraus zur Verfügung steht.

Dauer:
2 Tage

Zielgruppe:
Teilnehmer aus den Bereichen Analyse oder IT-Entwicklung, die Deep Learning / Artificial Intelligence selbst zum Einsatz bringen möchten

Notwendiges Vorwissen:
Hilfreich sind Grundkenntnisse in der Entwicklung von Machine-Learning-Modellen sowie in R, beispielsweise aus dem „Data Science Grundlagen-Kurs“. Ein vorheriger Besuch des Grundlagen-Kurses ist aber keine Pflicht.

Zertifizierung:
Die erfolgreiche Teilnahme wird den Teilnehmern zertifiziert.

Inhalte:

   Deep Learning als Teilgebiet von maschinellem Lernen und künstlicher Intelligenz
   Überwachtes und unüberwachtes Lernen
   Funktionen, Anzahl und Größe der Layer
   Feedforward-Netz
   Nichtlineare Aktivierungsfunktionen
   Verlustfunktion (Loss Function)
   Stochastischer Gradientenabstieg
   Backpropagation-Algorithmus
   Tool-Überblick: TensorFlow, Keras, Python, Jupyter Notebooks, R, RStudio …
   Hyperparameter
   Regularisierung zur Vermeidung von Overfitting
   Fortgeschrittene Netzarchitekturen im Überblick: CNN, RNN, LSTM, GANs
   Praxisprojekt Deep Learning

Sonstiges Merkmal

Fortgeschrittene (Lernzielniveau)