Deep Learning mit Python & Keras

Dauer

Deep Learning mit Python & Keras

GFU Cyrus AG
Logo von GFU Cyrus AG
Bewertung: starstarstarstar_halfstar_border 6,9 Bildungsangebote von GFU Cyrus AG haben eine durchschnittliche Bewertung von 6,9 (aus 8 Bewertungen)

Tipp: Haben Sie Fragen? Für weitere Details einfach auf "Kostenlose Informationen" klicken.

Startdaten und Startorte

Es gibt keine bekannten Startdaten für dieses Produkt.

GFU Cyrus AG bietet seine Kurse in den folgenden Regionen an: Augsburg, Berlin, Bielefeld, Bochum, Bonn, Braunschweig, Bremen, Chemnitz, Darmstadt, Dortmund, Dresden, Duisburg, Düsseldorf, Erfurt, Essen, Frankfurt am Main, Frankfurt an der Oder, Hamburg, Hannover, Heidelberg, Karlsruhe, Kassel, Kiel, Knittlingen, Köln, Lausitz, Leipzig, Magdeburg, Mannheim, Mecklenburg-Vorpommern, München, Münster, Neubrandenburg, Nürnberg, Paderborn, Potsdam, Regensburg, Rostock, Saarbrücken, Schwerin, Stralsund, Stuttgart, Trier, Ulm, Wiesbaden, Wuppertal, Würzburg

Beschreibung

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

Seminarziel

Sie lernen den kompletten Workflow des Machine Learnings mit der Deep-Learning Bibliothek Keras kennen. Angefangen von der Datenaufbereitung, über die Auswahl und das Anlernen der Modelle, bis hin zum Einsatz der trainierten Modelle zur Klassifikation und Prognose. Sie können Bild-, Text- und numerische Daten für Training und Schätzung vorbereiten. Sie kennen die konzeptuellen Grundlagen des Anlernens, die Verfahren zur Qualitätssicherung im Anlernprozess und die Varianten neuronaler Netze. Dazu gehören konvolutationale Netze (CNN) zur Verarbeitung von Bilddaten genauso wie rekurrente Netze (RNN) zur Verarbeitung von Text- und Zeitreihendaten. Die Konzepte werden anhand von Folie…

Gesamte Beschreibung lesen

Frequently asked questions

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Noch nicht den perfekten Kurs gefunden? Verwandte Themen: Deep Learning, Python, Data Science, Machine Learning und Künstliche Intelligenz.

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

Seminarziel

Sie lernen den kompletten Workflow des Machine Learnings mit der Deep-Learning Bibliothek Keras kennen. Angefangen von der Datenaufbereitung, über die Auswahl und das Anlernen der Modelle, bis hin zum Einsatz der trainierten Modelle zur Klassifikation und Prognose. Sie können Bild-, Text- und numerische Daten für Training und Schätzung vorbereiten. Sie kennen die konzeptuellen Grundlagen des Anlernens, die Verfahren zur Qualitätssicherung im Anlernprozess und die Varianten neuronaler Netze. Dazu gehören konvolutationale Netze (CNN) zur Verarbeitung von Bilddaten genauso wie rekurrente Netze (RNN) zur Verarbeitung von Text- und Zeitreihendaten. Die Konzepte werden anhand von Folien erklärt, an Beispielen verdeutlicht und gemeinsam in Python umgesetzt und eingeübt. Eine Vielzahl praktischer Übungen ergänzen den Lernprozess und ermöglichen es, die verschiedenen Lernszenarien selbstständig umzusetzen. Am Ende des Seminars sind Sie in der Lage, Daten und Optionen des Einsatzes neuronaler Netze zu prüfen, Modelle zielsicher auszuwählen und zu trainieren und Klassifizierer erfolgreich einzusetzen.

Inhalt

  • Wie lernen Neuronale Netze?
    • Variablen, Modelle und Zusammenhänge
    • Künstliche Neuronen und neuronale Netze
    • Mathematische Grundlagen des Anlernprozesses: Backpropagation, Loss und Gradient Descent
  • Neuronale Netze mit Keras aufbauen und trainieren
    • Graphen mit Tensorflow erstellen
    • Ein einfaches Netz mit Keras und Tensorflow aufbauen und anlernen 
    • Welches Modell ist das richtige? Evaluation und Anpassung angelernter Modelle.
    • Einsatz angelernter Modelle zur Klassifzierung und Schätzung
    • Modelle speichern und laden
    • Overfitting mit Dropout-Layern verhindern
    • Überwachung des Anlernprozesses mit TensorBoard
  • Maschinelles Sehen: Konvolutionale neuronale Netze (CNN)
    • Bilddateien als mehrdimensionale Matrizen
    • Details sehen und Formen abstrahieren: Konvolutionale Netze (CNN)
    • Konvolutionale Layer mit Keras aufbauen und anlernen
    • Vortrainierte Layer einsetzen
  • Mit Sequenzdaten arbeiten: Rekurrente neuronale Netze (RNN)
    • Zeitreihendaten und Textsequenzen: Eigenschaften und Eigenheiten
    • Neuronale Netze mit Gedächtnis (Feedforward vs. RNN)
    • Sequenzdaten mit LSTM (Long Short-Term Memory) aufbauen
    • Textdaten mit Embedding-Layers interpretieren
  • Feature Extraction: Numerische Daten, Bild und Text-Daten vorbereiten
    • Datenrepräsentation: Skalare, Vektoren & Matrizen in Numpy
    • Daten einlesen und vorbereiten mit Pandas, Scikit-learn und Keras
    • Qualitative Variablen und Dummy-Sets
    • Standardisierung von Daten
    • Dimensionsreduktion mit PCA
    • Bilddateien transformieren
    • Mit Textdaten arbeiten: Zerlegen, tokenizieren, vektorisieren und einbetten.

Werden Sie über neue Bewertungen benachrichtigt

Es wurden noch keine Bewertungen geschrieben.

Schreiben Sie eine Bewertung

Haben Sie Erfahrung mit diesem Kurs? Schreiben Sie jetzt eine Bewertung und helfen Sie Anderen dabei die richtige Weiterbildung zu wählen. Als Dankeschön spenden wir € 1,00 an Stiftung Edukans.

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Bitte füllen Sie das Formular so vollständig wie möglich aus

(optional)
(optional)
(optional)
(optional)
(optional)
(optional)

Haben Sie noch Fragen?

(optional)

Anmeldung für Newsletter

Damit Ihnen per E-Mail oder Telefon weitergeholfen werden kann, speichern wir Ihre Daten.
Mehr Informationen dazu finden Sie in unseren Datenschutzbestimmungen.