Intensivkurs Deep Learning mit Praxisanwendungen

Dauer

Intensivkurs Deep Learning mit Praxisanwendungen

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

Entlang des Intensivkurses lernen die Teilnehmenden die notwendigen Hintergründe mit dem Fokus, das Wissen in Selbstlernphasen praktisch einzusetzen. Schwierigkeiten und typische Probleme, die hierbei auftreten, werden gelöst und ermöglichen, das Gelernte nach dem Seminar direkt im Unternehmen einzusetzen. Insbesondere werden übliche Schwierigkeiten beim Rechnen auf einer GPU behandelt, so dass typische technische Einstiegshürden behandelt und gelöst werden. 
 
Die Möglichkeiten des Einlesens von Daten (Data Loader über tf.data), mit dem Erweitern der Trainingsdaten (data augmentation) und dem Umgang mit fehlerhaften Daten ist bei Projekten mit echten Daten der erste Schritt, wel…

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

Entlang des Intensivkurses lernen die Teilnehmenden die notwendigen Hintergründe mit dem Fokus, das Wissen in Selbstlernphasen praktisch einzusetzen. Schwierigkeiten und typische Probleme, die hierbei auftreten, werden gelöst und ermöglichen, das Gelernte nach dem Seminar direkt im Unternehmen einzusetzen. Insbesondere werden übliche Schwierigkeiten beim Rechnen auf einer GPU behandelt, so dass typische technische Einstiegshürden behandelt und gelöst werden. 
 
Die Möglichkeiten des Einlesens von Daten (Data Loader über tf.data), mit dem Erweitern der Trainingsdaten (data augmentation) und dem Umgang mit fehlerhaften Daten ist bei Projekten mit echten Daten der erste Schritt, welcher auch signifikant über die Geschwindigkeit des Trainings und die Validierungsgüte entscheidet. 
 
Praktische Tipps, wie Keras Callbacks zur Überwachung, inkl. Visualisierung des Trainings, dem Benutzen von vortrainierten Netzen (Fine-Tuning), mögliche Fehlerquellen, wenn das Training nicht funktioniert, klassische Regularisierungsmöglichkeiten (Batch Normalisierung, Drop Out) und Engpässe für die Steigerung der Geschwindigkeit runden das Seminar ab.

Inhalt

  • Besonderheiten beim Trainieren auf einer GPU
    • Memory Belegung einer GPU feststellen und freigeben
    • Häufige Fehler erkennen und beheben
  • Vorbereitung und Laden der Trainingsdaten
    • Overfitting beim Trainieren 
    • Trainings-, Test- und Validierungsdaten
    • Normalisierung von Daten
    • One-Hot encoding
    • Anwendung auf den MNIST Datensatz
    • Schritte von tf.data, um auch mit großen Daten effizient trainieren zu können
  • Grundlegende Netzwerktypen
    • Multi-Layer Perceptron (MLP)
    • Convolutional Neural Network (CNN)
    • Perceptron, Gewichte, Bias
    • Aktivierungsfunktionen (ReLU, Softmax)
    • Training von Neuronale Netzen via Backpropagation
    • Convolutional Layer (Faltungsschicht)
    • Stride, Padding, Bias, Max-Pooling
  • Anwendungsfälle für Bilddaten
    • Bildklassifizierung
    • Detektion von Objekten durch Bounding Boxes
    • Semantische Segmentierung
    • Bekannte Netzwerkarchitekturen (AlexNet, VGG-16, U-Net)
    • Training und Validierung der Ergebnisse (Accuracy, MSE, mean IoU)
  • Vorhersage bei Text- , Sequenz- und Zeitreihendaten
    • Vorhersage bei Text- , Sequenz- und Zeitreihendaten
    • Text Sentiment Analysis
    • Grundlagen und Umsetzung eines RNN
    • Fortgeschrittene Aspekte im RNN: stacked RNN, Recurrent dropout
    • Weiterführende Netzwerkarchitekturen: GRU (Gated Recurrent Unit), LSTM (Long-Short-Term Memory)
    • Aufbereitung von Textdaten zum Trainieren (Text Vectorization, Word Embeddings)
  • Unsupervised Learning: Clustering
    • Feature Extraction durch ein pretrained Netzwerk
    • Dimensionsreduzierung der extrahierten features mit UMAP
    • Clustern mit HDBSCAN
  • GAN (Generative Adversarial Networks)
    • Erzeugen von Bildern mit GANs
    • Funktionsweise und Training von GANs
  • Deep Learning in der Praxis
    • Keras Callbacks (Trainings-performance Überwachung, Speichern von Modelgewichten, Early Stopping, Visualisierung des Trainings- und Validierungslosses)
    • Fine-Tuning / Transfer Learning (vortrainierte Netzwerke finden und verwenden)
    • Weitere bekannte Netzwerkarchitekturen: Inception-V3, ResNet
    • Drop-Out und L2 Regularisierung

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.