Keras, TensorFlow - Maschinelles Lernen mit tiefen neuronalen Netzen

In den letzten 10 Jahren kam es auf dem Gebiet der Künstlichen Intelligenz (KI) zu einer Reihe
von revolutionären Durchbrüchen. Hervorzuheben ist das Deep-Learning, d.h. das Programmieren von tiefen neuronalen Netzen.

Der Kurs gibt einen Überblick über die Hauptideen und Techniken des Deep-Learnings und
behandelt die praktische Implementierung von diesen Algorithmen mit Python und
Keras unter Verwendung von TensorFlow. Der Übungsanteil ist rund 50% der Zeit.
Der Kurs richtet sich an Ingenieure, Softwareentwickler oder Datenanalysten.

Am Kursende sind die Teilnehmer in der Lage, moderne Bilderkennungs-Algorithmen sowie Vorhersagemodelle in wenigen Zeilen Code selber zu programmieren, sowie vortrainierte frei verfügbare Modell an ihr spezifisches Problem anzupassen.

Der Kurs setzt Grundkenntnisse in Python voraus. Grundkenntnisse in Linearer Algebra,
Differenzialrechnung und Wahrscheinlichkeitsrechnung  sind vorteilhaft. Die behandelten Themen sind:

1) Einleitung:
+ Wie sind neuronale Netze aufgebaut?
+ Hauptanwendungsgebiete von tiefen neuronalen Netzen.
+ Überblick über Frameworks für tiefe neuronale Netze.

2) Das Sequential Model in Keras:
+ Tensorflow logging level einstellen.
+ Backpropagation
+ Aktivierungs-Funktionen
+ Loss functions
+ Optimizers
+ Convolutional networks.
+ Wichtige Keras-Layers für Bilder-Input.
+ Allgemein wichtige Keras-Layers.
+ Informationen über Keras-Layer-shapes erhalten.
+ Ein Keras-Model kann als Keras-Layer eingesetzt werden.
+ Logging und Monitoring der model.fit() Methode.
+ Mit TensorBoard Fortschritt von model.fit() überwachen.

3) Die Keras functional API:
+ Komplexe Netz-Architekturen.
+ Shared Layers.
+ String- oder Object-Argumente für die compile() Methode.

4) Modelle wiederverwenden. Transfer-Learning:
+ Ein Modell speichern und wieder laden.
+ Bereits trainierte Modelle aus dem Internet laden.
+ Fixieren von internen Modell-Gewichten in verschiedenen Layern.
+ Layers von einem Modell entfernen.
+ Modelle mit mehreren Input-Layern und/oder Output-Layern.

5) Problematische Situationen - Lösungen dazu:
+ Overfitting
+ Explodierende / verschwindende Gradienten.
+ Sehr große Datensätze.

Zu jedem der obigen Kapitel gibt es ein oder mehrere Übungseinheiten. Die Standard-Kursdauer beträgt 2 Tage.

Auf Wunsch kann dieser Kurs auch mit anderen Kursen kombiniert werden mit Dauer zwischen 2 und 5 Tagen. Die Kombination mit unserem Scikit-Learn-Kurs ist sehr beliebt und bietet sich thematisch an.

Wenn Sie Interesse an diesem Kurs haben, schicken Sie uns eine Nachricht,
da wir die Kurse dynamisch je nach Nachfrage planen.
Inhouse-Schulung bei Ihrer Organisation in der DACH-Region und online Schulung bieten wir auch an. Der Kurs kann auf Wunsch auch auf Englisch gehalten werden.

Die Preise unserer Kurse sind sehr kompetitiv. Die meisten Mitbewerber haben deutlich höhere Preise.
Unterrichtsmaterialien und ausgearbeitete Musterlösungen zu allen Übungen erhalten die
Kursteilnehmer natürlich auch. Die Trainer haben jahrelange praktische Erfahrung in den Themen der Kurse. Wir legen besonders viel Wert auf individuelle Betreuung der Teilnehmer bei den Programmierübungsaufgaben. Die Kursinhalte passen wir gerne an Ihre Bedürfnisse an.