Seminar Neuronale Netzwerke und Deep Learning mit Python

Dozent: Dr. Christoph Oestreicher

 :



 1.775,00

Zzgl. 19% MwSt.
Auswahl zurücksetzen

Der Intensivkurs Neuronale Netzwerke und 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 lernen mit Python SciKit-Learn und Keras/TensorFlow umzugehen. Mit diesem Handwerkszeug können Sie sofort loslegen, die Potenziale des Deep Learnings auf Fragestellungen Ihres Unternehmens anzuwenden. Im Preis sind Kursmaterialien und Getränke enthalten. Bitte Laptop mit der Python Anaconda Distribution zu der Schulung mitbringen oder Schulungslaptop für drei Tage im Warenkorb dazu buchen. Sie können per Überweisung und auf Rechnung zahlen (weitere Infos).

Beschreibung

Der Intensivkurs Neuronale Netzwerke und Deep Learning mit Python gibt einen Überblick über die aktuellen Methoden des Maschinelle Lernens mit speziellen Fokus auf tiefe neuronale Netze. Anhand von zwei Projekten erhalten Sie zudem einen intensiven Einblick, wie diese Methoden in der Praxis angewendet werden. Gerne können Sie hierfür auch eine eigene Fragestellung inkl. der notwendigen Daten mitbringen. In den drei Tagen erfahren Sie die wichtigsten Details zu tiefen Neuronalen Netzen und lernen mit Python SciKit-Learn und Keras/TensorFlow umzugehen. Mit diesem Handwerkszeug können Sie sofort loslegen, die Potenziale des Deep Learnings auf Fragestellungen Ihres Unternehmens anzuwenden.

Zielgruppe: bereits tätige sowie angehende (Auszubildende, Studenten, Doktoranden) Datenanalysten, Webanalysten, Data Scientists, Statistiker und Forscher mit grundlegenden Programmierkenntnissen; Teilnehmer des Intensivkurses Data Science und Künstliche Intelligenz

Voraussetzungen: Grundverständnisse der Datenanalyse inkl. einem Verständnis von Linearer Algebra (Vektoren und Matrizen), Basiswissen Statistik (wie Mittelwert, Korrelationen, lineare Regression) und Programmierkenntnisse (Skriptsprache wie Python, Matlab oder R)

Lernziele: Am Ende dieses Intensivkurses Neuronale Netzwerke und Deep Learning mit Python werden Sie

  • die aktuelle Berichterstattung zu Künstliche Intelligenz, Maschinellem Lernen, Neuronalen Netzen und Deep Learning (inkl. LSTMs) inhaltlich einordnen und bewerten können,
  • Projekte mit Python (mit Scikit-Learn und Keras/Tensorflow) und Methoden des Deep Learnings umsetzen können,
  • wissen, welche und wie viele Daten für die erfolgreiche Umsetzung einer Fragestellung mit Deep Learning (noch) notwendig sind,
  • eine Bilderkennung mit Convolutional Neural Networks (CNNs) durchführen können und
  • einen intelligenten Agenten mit Deep Reinforcement Learning programmieren können.

Dauer: Die Seminardauer beträgt drei Tage. Format:

  • Rahmen: 24 Stunden Präsenzschulung mit täglich 8 Unterrichtsstunden (9-17 Uhr)
  • Aufteilung Theorie/Praxis: 40 % Vorlesung + 60 % Praxis, Übungen und Demos

Leistungen: Schulungsräume in zentraler Lage, 2-10 Teilnehmer pro Veranstaltung, Unterricht 9-17 Uhr, gedruckte Schulungsunterlagen, ein Zertifikat mit den Schulungsinhalten und Getränke in den Pausen (bitte Laptop mit der Python Anaconda Distribution mitbringen oder Schulungslaptop für drei Tage im Warenkorb dazu buchen)

Inhalte des 3-tägigen Trainings Neuronale Netzwerke und Deep Learning mit Python

  • Überblick, Grundlagen und Beispiele
    • Künstliche Intelligenz
    • Maschinelles Lernen
    • Deep Learning
  • Maschinelles Lernen mit Python
    • Kurze Einführung Python
    • Relevante Python-Bibliotheken: numpy, scikit-learn, pandas
    • Weiterführende Python-Bibliotheken: keras, tensorflow, gym
  • Neuronale Netzwerke
    • Allgemeine Architekturen
    • (recursive) Convolutional Neuronal Networks (CNN/rCNN)
    • Deep Reinforcement Learning
    • Long short-term Memory (LSTM)
  • Case Study I (Bilderkennung):
    • Einführung in den Kontext und die Daten
    • Zielsetzung und Methodennutzung
    • Convolutional Neuronal Networks
  • Case Study II (Intelligenter Agent):
    • Einführung in den Kontext und die Daten
    • Zielsetzung und Methodennutzung
    • Deep Reinforcement Learning