Beschreibung
Der Pythonkurs Deep Learning mit Python gibt einen Überblick über die aktuellen Methoden des Maschinellen Lernens mit speziellen Fokus auf tiefe neuronale Netze. Anhand von zwei Praxis-Beispielen erhalten Sie einen intensiven Einblick, wie diese Methoden in der Praxis angewendet werden. Gerne können Sie hierfür auch eine eigene Fragestellung inkl. der notwendigen Daten mitbringen.
Zielgruppe: Beschäftigte aus operativen Bereichen, R&D und IT mit grundlegenden Programmierkenntnissen; Anwender, Studenten, Doktoranden und Forscher aus den mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen
Voraussetzungen: Grundverständnisse der Linearen Algebra (Vektoren, Matrizen, Ableitungen), Basiswissen Statistik (wie Mittelwert, Korrelationen, lineare Regression) und Programmierkenntnisse (Skriptsprache wie Python, Matlab oder R)
Lernziele: Am Ende dieses Intensivkurses Deep Learning mit Python werden Sie
- die aktuelle Berichterstattung zu Künstliche Intelligenz, Maschinellem Lernen, Neuronalen Netzen und speziell Deep Learning und ChatGPT inhaltlich einordnen und bewerten können,
- Projekte mit Python bzw. R (mit Keras/TensorFlow, PyTorch und Transformer) und Methoden des Deep Learnings beginnen können,
- wissen, welche und wie viele Daten für die erfolgreiche Umsetzung einer Fragestellung mit Deep Learning (noch) notwendig sind,
- wissen, wie aktuelle Large Language Models (LLM) wie ChatGPT, GPT4 (OpenAI), PaLM 2 (Google) und LLaMA 2 (Meta) grundsätzlich funktionieren und was bei der Nutzung zu beachten ist,
- eine Bild-Klassifizierung mit Convolutional Neural Networks (CNNs) durchführen und Texte bzw. Chats mit eigenen Large Language Models (LMM) generieren können.
Dauer: Die Seminardauer beträgt drei Tage. Format:
- Rahmen: 16 Stunden Präsenzschulung mit täglich 8 Unterrichtsstunden (9-17 Uhr)
- Aufteilung Theorie/Praxis: 40 % Vorlesung + 60 % Praxis, Übungen und Demos
Leistungen: ganztägiger Intensiv-Unterricht in Kleingruppen (9-17 Uhr, max. 10 Personen), gedrucktes Schulungszertifikat; Online-Veranstaltungen: digitale Schulungsunterlagen (gegen Aufpreis: gedruckte Schulungsunterlagen und/oder Fernzugang zu einem Schulungslaptop mit installierter Software); Präsenz-Veranstaltungen: Schulungsräume in zentraler Lage, Getränke in den Pausen, Schulungslaptop mit installierter Software, gedruckte Schulungsunterlagen
Ausführliche Informationen und Buchungsmöglichkeiten finden Sie auf der → Veranstaltungsseite zum Seminar.
Inhalte des 3-tägigen Trainings Deep Learning mit Python
- Überblick, Grundlagen und Praxisbeispiele
- Künstliche Intelligenz
- Maschinelles Lernen und Deep Learning
- Large Language Models wie ChatGPT, LLaMA oder Falcon
- Praxisbeispiele u.a. zu den Themen:
- Natural Language Processing (Chatbots, Übersetzungen etc.)
- Bildverarbeitung (Objekterkennung, Tracking etc.)
- Intelligente Agenten (Bots, Optimierungen etc.)
- Impulse, wie Deep Learning auch in Bereichen wie Logistik, Wartung & Instandhaltung (Predictive Maintenance), Prozessindustrie oder Customer Journey angewendet werden kann
- Kurze Einführung in Python
- Relevante Python-Bibliotheken: numpy, scikit-learn, pandas
- Weiterführende Python-Bibliotheken: keras, tensorflow, pytorch, transformer
- Praxis-Übung: Regression (Supervised Learning)
- Neuronale Netzwerke
- Loss-Functions, Gradienten und Gradienten-Abstieg
- Klassische Architekturen: (Multi-Layer)-Perceptrons
- Weiterführende Architekturen: Convolutional Neural Networks, Recurrent Neural Networks und Transformers (inkl. Attention und Self-Attention), die Grundlagen von Large Language Models wie ChatGPT
- Ausblick: Deep Reinforcement Learning
- Praxis-Übung: Klassifikation (Supervised Learning)
- Praxis-Beispiel I (Bildverarbeitung)
- Einführung in den Kontext und die Daten
- Zielsetzung und Methodennutzung
- Praxis-Übung: Bild-Klassifizierung anhand Convolutional Neural Networks (CNNs)
- Praxis-Beispiel II (Natürliche Sprachverarbeitung/NLP)
- Einführung in den Kontext und die Daten
- Zielsetzung und Methodennutzung
- Praxis-Übung: Text-Generierung anhand LSTMs (mit keras/tensorflow) und Transformers (mit Pipelines von Hugging Face)
- Ausblick: Nutzung (Prompt Engineering, ChatGPT) und Trainieren eigener Chatbots anhand kommerziell nutzbaren Large Language Models wie LLaMA 2 oder Falcon
Ausführliche Informationen und Buchungsmöglichkeiten finden Sie auf der → Veranstaltungsseite zum Seminar.