Deep Learning ist ein spannendes, junges Gebiet, das sich auf die Entdeckung und Extraktion komplexer Strukturen in großen, unstrukturierten Datensätzen zur Parametrisierung künstlicher Neuronaler Netze mit vielen Schichten spezialisiert hat. Da Deep Learning in vielen Anwendungen den Stand der Technik vorangetrieben hat, ist es für die moderne Technologie unerlässlich geworden. Dies ist dem großen Nutzen des Deep Learnings für die Bewältigung komplexer Aufgaben in den Bereichen Computer Vision und Natural Language Processing zu verdanken – Aufgaben, in denen der Mensch gut ist, aber traditionell für Computer eine Herausforderung darstellt. Dazu gehören Aufgaben wie Bildklassifizierung, Objekterkennung und Spracherkennung.

Der Schwerpunkt dieses Kurses liegt auf dem Verständnis künstlicher Neuronaler Netze und dem algorithmischen Deep Learnings sowie der Implementierung von Netzwerkmodellen im Code sowie deren Anwendung auf reale Datensätze. Einige der Themen, die behandelt werden, sind u. a. Convolutional Neural Networks zur Bildklassifizierung und Objekterkennung sowie Reconcurrent Neural Networks zur Textmodellierung.

Zielgruppe für das Seminar

Der Kurs richtet sich an Fachleute, die Fähigkeiten in der Deep Learning Analytik benötigen und mit der Datenanalyse vertraut sind und/oder über mehrjährige Erfahrung in der Datenanalyse verfügen sowie grundlegende Programmierkenntnisse haben.

Voraussetzungen für das Seminar

Wir werden einige relevante Konzepte des Maschinellen Lernens wie Überwachtes Lernen, Klassifizierung, Modellbewertung kurz behandeln. Daher werden Kenntnisse in allgemeinen Machine Learning-Konzepten empfohlen (z. B. durch einen Besuch des Kurses → Machine Learning mit Python), sind aber nicht zwingend erforderlich. Darüber hinaus werden einige Vorträge sich auf Verwendung von Pythons Stack für wissenschaftliches Rechnen (NumPy, SciPy, Matplotlib) vor der Einführung von PyTorch als der wichtigsten computergestützten Deep-Learning-Bibliothek konzentrieren, die wir in diesem Kurs verwenden werden. Daher werden Kenntnisse in Python empfohlen (z. B. durch einen Besuch des Kurses → Data Mining mit Python).

Lernziele des Seminars

• Verständnis der verschiedenen Bereiche des Maschinellen Lernens, wie z.B. des Überwachten und Unüberwachten Lernens sowie Identifizierung von Szenarien, in denen es sinnvoll ist, das Maschinelle Lernen zur Lösung realer Probleme einzusetzen.
• Aufbau eines Repertoires verschiedener Algorithmen und Ansätze des Maschinellen Lernens (Daten und algorithmische Modelle / parametrische und nichtparametrische Modelle) und Verständnis ihrer verschiedenen Stärken und Schwächen.
• Erlernen der Verwendung der Programmiersprache Python und des wissenschaftlichen Rechenstapels von Python zur Implementierung von Maschinellen Lernalgorithmen, um
  • die Lernerfahrung zu verbessern,
  • in der Lage zu sein, neue Algorithmen zu entwickeln,
  • Maschinelles Lernen zur Problemlösung in verschiedenen Bereichen und Anwendungs-bereichen anzuwenden.
• In der Lage sein, Probleme mit Blick auf das gewünschte Ergebnis anzugehen und den typischen Kompromiss zwischen Rechenleistung, Modellinterpretierbarkeit und Vorhersage-genauigkeit effektiv zu bewältigen.
• Kombination von theoretischen und praktischen Konzepten, die in diesem Kurs vermittelt werden, um kreative, praxisnahe Problemlösungen zu entwickeln

Dauer des Seminars

• Rahmen: 3 Tage mit 24 Stunden Präsenzschulung (täglich 8 Stunden, 9-17 Uhr)
• Aufteilung Theorie/Praxis: 70% Vorlesung + 30 % Praxis, Übungen und Demos

Inhalte des Seminars