Seminar Deep Learning mit Python

Dozent: Dr. Christoph Oestreicher

 

Bisher bei uns  1.750,00 1.945,00

Zzgl. 19% MwSt.

Das dreitägige Seminar Deep Learning mit Python gibt einen Überblick über die aktuellen Methoden des Maschinellen Lernens mit speziellen Fokus auf tiefe neuronale Netze. In den drei Tagen erfahren Sie die wichtigsten Details zu tiefen Neuronalen Netzen und wie man diese in der Bildverarbeitung und Sprachverarbeitung auch unter Nutzung von ChatGPT anwenden kann.

Eine kurze Beschreibung des Kurses finden Sie unten. Ausführliche Informationen finden Sie auf der → Veranstaltungsseite zum Seminar.

Artikelnummer: DLP Kategorien: , ,

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.