Künstliche Intelligenz selbst programmieren
Startdaten und Startorte
placeKöln 2. Apr 2025 bis 4. Apr 2025check_circle Garantierte Durchführung |
computer Online: Zoom 2. Apr 2025 bis 4. Apr 2025check_circle Garantierte Durchführung |
placeKöln 30. Jun 2025 bis 2. Jul 2025 |
computer Online: Zoom 30. Jun 2025 bis 2. Jul 2025 |
placeKöln 17. Nov 2025 bis 19. Nov 2025 |
computer Online: Zoom 17. Nov 2025 bis 19. Nov 2025 |
placeKöln 2. Feb 2026 bis 4. Feb 2026 |
computer Online: Zoom 2. Feb 2026 bis 4. Feb 2026 |
placeKöln 11. Mai 2026 bis 13. Mai 2026 |
computer Online: Zoom 11. Mai 2026 bis 13. Mai 2026 |
placeKöln 3. Aug 2026 bis 5. Aug 2026 |
computer Online: Zoom 3. Aug 2026 bis 5. Aug 2026 |
placeKöln 2. Nov 2026 bis 4. Nov 2026 |
computer Online: Zoom 2. Nov 2026 bis 4. Nov 2026 |
Beschreibung
Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen
Seminarziel
Ziel des dreitägigen Seminars ist es, Teilnehmenden ohne Vorkenntnisse in Python ein fundiertes Verständnis der Künstlichen Intelligenz zu vermitteln und zu zeigen, dass es möglich ist auch ohne Vorkenntnisse in Python selbstständig Neuronale Netze im Framework Tensorflow / Keras zu trainieren.Es wird ein tiefgreifendes Verständnis für Schlüsselkonzepte der Künstlichen Intelligenz, insbesondere Deep Learning, aufgebaut. Dabei werden praxisnahe Themen wie Datenverarbeitung, Multi-Layer Perceptrons, Convolutional Neural Networks Techniken wie Data Augmentation und Transfer Learning behandelt.
Das Seminar zielt darauf ab, die Teilnehmenden in die Lage zu versetzen, grundlegende …
Frequently asked questions
Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!
Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen
Seminarziel
Ziel des dreitägigen Seminars ist es, Teilnehmenden ohne Vorkenntnisse in Python ein fundiertes Verständnis der Künstlichen Intelligenz zu vermitteln und zu zeigen, dass es möglich ist auch ohne Vorkenntnisse in Python selbstständig Neuronale Netze im Framework Tensorflow / Keras zu trainieren.Es wird ein tiefgreifendes Verständnis für Schlüsselkonzepte der Künstlichen Intelligenz, insbesondere Deep Learning, aufgebaut. Dabei werden praxisnahe Themen wie Datenverarbeitung, Multi-Layer Perceptrons, Convolutional Neural Networks Techniken wie Data Augmentation und Transfer Learning behandelt.
Das Seminar zielt darauf ab, die Teilnehmenden in die Lage zu versetzen, grundlegende KI-Anwendungen selbstständig zu entwickeln und anzuwenden. Ein hoher Anteil an praktischen Übungen gewährleistet, dass die Teilnehmenden nicht nur theoretisches Wissen erwerben, sondern auch die Fähigkeiten und das Vertrauen entwickeln, das Gelernte unmittelbar in realen Anwendungsszenarien umzusetzen.
Inhalt
- Einführung in Python
- Python Syntax
- Besonderheiten von Python
- Anaconda Environment, Installation von Python Modulen
- Einführung in die Künstliche Intelligenz
- Einführung und Geschichte des Deep Learning
- KI, Deep Learning und Machine Learning
- Daten Vorbereitung
- Overfitting beim Trainieren von Machine Learning Algorithmen
- Train-Validation-Test Datensplit zur Detektion von Overfitting
- Datennormalisierung
- One-Hot encoding
- Anwendung auf den MNIST Datensatz
- Multi Layer Perceptron Teil 1
- Wichtige Bauteile eines MLPs: Perceptron, Gewichte, Bias
- Non-linearities (Aktivierungsfunktionen)
- Softmax bei Klassifizierungsaufgaben
- Verschiedene Loss-Funktionen
- Backpropagation: Trainieren von den Gewichten
- Initialisierung der Gewichte
- Epoche und Batch-Size
- CNN
- Ein Convolution layer (Faltungsschicht)
- Filter
- Padding und Stride bei der Convolution
- Max-Pooling Layer
- Was lernt ein CNN auf den unterschiedlichen Layern?
- Klassifizierung von Bildern
- Regularisierungen: L2 Regularisierung, Drop-Out, Batch Normalisation
- Ein trainiertes Model laden
- Keras Callbacks
- Einen Callback in Keras umsetzen
- Model Gewichte und Architektur speichern
- Early Stopping
- Training Rate Scheduler
- MLFlow zur Visualisierung des Trainingsverlaufs
- Trainieren mit wenigen Daten: Data Augmentierung und
Transfer Learning
- Erweiterung des Trainings-Datensatzes durch Data Augmentation
- Vortrainierte Netzwerke für seine Aufgabe verwenden und
nachtrainieren (Fine-Tuning)
Werden Sie über neue Bewertungen benachrichtigt
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!