Deep Learning mit Python und Keras

Neuronale Netze effizient trainieren
Keras ist eine Open Source Deep-Learning-Bibliothek die in Python geschrieben ist. Keras bietet eine einheitliche Schnittstelle für verschiedene Backends, darunter TensorFlow. Das Ziel von Keras ist es, die Anwendung dieser Bibliotheken so einsteiger- und nutzerfreundlich wie möglich zu machen. Keras eignet sich besonders zur schnellen Implementierung neuronaler Netze und ermöglicht effizientes und einfaches Prototyping von neuronalen Netzen bei gleichzeitig großer Bedienerfreundlichkeit.
Sie können nach dem Training eigenständig Neuronale Netze entwerfen und trainieren. Python-, Statistik- und mathematische Kenntnisse werden vorausgesetzt. Sie üben das Erlernte in zahlreichen Praxisbeispielen und Sie können auch eigene Beispiele aus Ihrer beruflichen Praxis mitbringen. Als Programmieroberfläche wird Jupyter Notebook genutzt.

Das Expertentraining wendet sich an Fachkräfte die sich professionell mit dem Thema Deep/Maschine Learning beschäftigen wollen und dazu die in Python geschriebene Bibliothek Keras nutzen. Im Training wird ein umfassender Überblick über Neuronale Netze und Deep Learning Algorithmen mit Keras vermittelt.

Montag, 19. bis Mittwoch, 21. Juni 2023
9.00 bis 16.30, inkl. Pausen

Deep Learning, Maschine Learning, künstliche Intelligenz: eine 
Begriffsbestimmung

Funktionsweise neuronaler Netze

Neuronale Netze mit Keras
– Aufbau, Layer, Modelle
– Datenvorbereitung
– Klassifizierung und Mehrfachklassifizierung
– Keras und Tensorflow
– Modellauswahl
– Grundlagen des Lernprozesses

Arbeiten mit convolutionalen neuronalen Netzwerken (CNN), maschinelles Sehen
– Wie arbeiten convolutionale Netze?
– Datenvorbereitung, Datenaugmentation
– Verwenden vortrainierter CNNs
– Merkmalsextraktion und Feinabstimmung

Arbeiten mit rekurrenten neuronalen Netzwerken (RNN), sequenzielle Daten
– Rekurrente Layer in Keras
– Sequenzdaten mit SimpleRNN und LSTM (Long Short-Term Memory) verarbeiten
– LSTM und GRU Layer
– Rekurrentes Dropout Verfahren

Feature Extraction: Numerische Daten, Bild und Text-Daten vorbereiten
– Datenrepräsentation: Skalare, Vektoren und Matrizen
– Daten einlesen, vorbereiten und beschreiben mit Pandas
– Visualisierung der Daten mit Matplotlib
– Verarbeitung qualitativer Merkmale (One-hot Kodierung)
– Standardisierung von Daten
– Dimensionen von Daten reduzieren
– Principle Component Analysis (PCA)
– Bilddateien transformieren
– Textdaten vorbereiten: Vectorizer, Worteinbettungen

Fallbeispiel zur Wiederholung des Gelernten