Überblick über Deep Learning Frameworks (z.B. TensorFlow, PyTorch)

Seminarziel

• Kompetenzaufbau: Das Unternehmen möchte sicherstellen, dass seine Mitarbeiter über die neuesten Technologien und Fähigkeiten im Bereich Deep Learning informiert sind.
• Innovation fördern: Mit den erworbenen Kenntnissen können Mitarbeiter neue Wege finden, Deep Learning in Produkten, Dienstleistungen oder internen Prozessen anzuwenden.
• Wettbewerbsvorteil: Ein fundiertes Verständnis von Deep Learning kann dem Unternehmen helfen, sich in seinem Marktsegment einen Vorteil gegenüber Konkurrenten zu verschaffen.

Inhalt

• Einführung in Deep Learning
  • Definition von Deep Learning
  • Unterschied zwischen traditionellem Maschinenlernen und Deep Learning
  • Anwendungsgebiete und Beispiele
• Einführung in Deep Learning Frameworks
  • Warum brauchen wir Frameworks?
  • Training von Modellen
  • Übersicht über gängige Frameworks: TensorFlow, PyTorch, Keras, Caffe, Theano, etc.
• TensorFlow - Erste Schritte
  • Installation und Einrichtung
  • TensorFlow Grundkonzepte: Tensoren, Graphen, Sessions
  • Kostenfunktionen und Optimierer
  • Einfaches Beispiel: Lineare Regression
• PyTorch - Erste Schritte
  • Installation und Einrichtung
  • PyTorch Grundkonzepte: Tensoren, Dynamic Computation Graph
  • Automatisches Differenzieren mit autograd
  • Einfaches Beispiel: Lineare Regression
• Neural Network Basics
  • Neuronen und Schichten
  • Aktivierungsfunktionen
  • Forward- und Backpropagation
• Convolutional Neural Networks (CNNs)
  • Grundkonzepte und Architektur von CNNs
  • Anwendungsgebiete: Bilderkennung, Bildklassifikation
• Recurrent Neural Networks (RNNs)
  • Grundkonzepte und Architektur von RNNs
  • Anwendungsgebiete: Zeitreihenanalyse, Textgenerierung
• Praktische Beispiele mit TensorFlow und PyTorch
  • Bildklassifikation mit CNNs
  • Textklassifikation oder Zeitreihenanalyse mit RNNs
• Ausblick und weitere Ressourcen
  • Best Practices im Deep Learning: Regularisierung, Dropout, Normalisierung
  • Advanced Deep Learning Techniken: Transfer Learning, GANs, usw.
  • Weiterführende Literatur und Online-Ressourcen