Künstliche Intelligenz selbst programmieren

Dauer
Ausführung
Vor Ort, Online
Startdatum und Ort

Künstliche Intelligenz selbst programmieren

GFU Cyrus AG
Logo von GFU Cyrus AG
Bewertung: starstarstarstarstar_border 7,8 Bildungsangebote von GFU Cyrus AG haben eine durchschnittliche Bewertung von 7,8 (aus 12 Bewertungen)

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

Startdaten und Startorte

placeKöln
2. Apr 2025 bis 4. Apr 2025
check_circle Garantierte Durchführung
computer Online: Zoom
2. Apr 2025 bis 4. Apr 2025
check_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 …

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: TensorFlow, Künstliche Intelligenz, KI, Big Data und Data Science.

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

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)
(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.