Deep Learning mit R

Posted on
Print Friendly, PDF & Email
Wenn es um die erfolgreiche Nutzung von Daten geht, dominiert seit einigen Jahren die „Künstliche Intelligenz“ die Berichterstattung. Diese wurde mit der Veröffentlichung von ChatGPT und anderen großen Sprachmodellen nochmals intensiviert. Dabei basiert dieser Höhenflug auf dem Maschinellen Lernen. In dieser Disziplin werden Erkenntnisse und Regeln direkt aus den Daten gewonnen. Eines der bekanntesten Methoden in diesem Bereich sind Neuronale Netzwerke, welche die Daten schichtweise verarbeiten. Noch vor 10 Jahren hat man sich mit wenigen Schichten zufrieden gegeben. Durch den immensen Erfolg bei der Verarbeitung natürlicher Sprache (wie bei ChatGPT und anderen Sprachmodellen) sowie der Objektklassifizierung und -erkennung (wie bei der Gesichtserkennung oder dem Autonomen Fahren) haben tiefe neuronale Netzwerke (Netzwerke mit sehr vielen Schichten, auch Deep Learning genannt) immer mehr an Bedeutung gewonnen. In dem Kurs Deep Learning mit R geben wir einen intensiven Einblick in tiefe Neuronale Netze, angefangen beim ursprünglichen Perzeptron über klassische Neuronale Netze bis hin zu Deep Learning und ChatGPT.

Dabei gibt der Intensivkurs Deep Learning mit R 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.

In den drei Tagen erfahren Sie die wichtigsten Details zu tiefen Neuronalen Netzen und lernen die Deep-Learning-Bibliotheken Keras/TensorFlow, rTorch und Transformer kennen. Mit diesen Kenntnissen können Sie sofort loslegen, die Deep-Learning-Algorithmen auf Fragestellungen in Ihrem Unternehmens anzuwenden. Gerne passen wir die Inhalte dieses Firmenseminars an Ihre Wünsche an.

Die genannten Deep-Learning-Bibliotheken lassen sich mit R genauso gut wie mit Python anwenden. Interessenten mit guten R-Kenntnissen können daher an dem Kurs → Deep Learning mit Python teilnehmen. Falls Sie an dem genannten Kurs mit R/RStudio teilnehmen möchten, erhalten Sie die Musterlösungen für R statt für Python. Der Dozent kennt sich mit beiden Programmiersprachen bestens aus.

Alle Bewertungen stammen ausschließlich von Kunden und Seminarteilnehmern von Dr. Christoph Oestreicher.
Die Bewertungen werden von einem unabhängigen Dienstleister gesammelt, geprüft und ausgewertet.

Das Wichtigste auf einen Blick

Details zum Kurs
Ort: Inhouse beim Kunden
Typ: Intensivkurs
Größe: 1 – 12 Personen
Dauer: 3 Tage
Zeiten: 9 – 17 Uhr
Preis: auf → Anfrage
Inhalte des Kurses
  • Einführung Neuronale Netzwerke
    • Klassische Architekturen
    • Weiterführende Architekturen
  • Fallbeispiel 1 (Bildverarbeitung): Bild-Klassifizierung mit Convolutional Neural Networks
  • Fallbeispiel 2 (Sprachverarb.): Text-Generierung & Chatbots mit LSTMs, Transformers, ChatGPT & andere Large Language Models
Weitere Infos…

*Nettopreise ohne MwSt. Endpreis wird im Warenkorb angezeigt.

Lernziele und Nutzen des Seminars Deep Learning mit R

Am Ende dieses Intensivkurses Deep Learning mit R 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 R (mit Keras/TensorFlow, rTorch 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.

Zielgruppe des Seminars Deep Learning mit R

Unser Intensivkurs Deep Learning mit R ist für Beschäftigte aus operativen Bereichen, R&D und IT geeignet, welche die Kursvoraussetzungen erfüllen und die Potenziale von Deep Learning für ihren Bereich kennenlernen und hautnah erfahren möchten. Anwender, Studenten, Doktoranden und Forscher aus den mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen sind ebenfalls willkommen.

Voraussetzungen für das Seminar

Für den Kurs Deep Learning mit R sind Grundverständnisse der Linearen Algebra (Vektoren, Matrizen) und ein Basiswissen in der Statistik (wie Korrelationen und lineare Regression) sehr empfehlenswert. Sie sollten Grundkenntnisse in einer objektorientierten Programmiersprache besitzen und sich mit der objektorientieren Programmierung von Klassen und deren Vererbung auskennen. Liegen keine entsprechenden Kenntnisse vor, können Sie eine Anfrage für einen zusätzlichen Unterrichtstag stellen.

Dauer des Seminars und Anteil von Übungen

  • Rahmen: 3 Tage (täglich 8 Stunden, 9-17 Uhr)
  • Aufteilung Theorie/Praxis: 40% Vorlesung + 60 % Praxis, Übungen und Demos

Inhouse-Schulung Deep Learning mit R

Inhouse-Seminar Deep Learning mit R
Inhalte
  • 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 R
    • Relevante R-Bibliotheken: tidyverse, caret, reticulate
    • Weiterführende R-Bibliotheken: keras, tensorflow, rtorch, 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
Voraussetzungen
  • Grundverständnisse der Linearen Algebra (Vektoren, Matrizen, Ableitungen)
  • Basiswissen Statistik (wie Mittelwert, Korrelationen, lineare Regression)
  • Programmierkenntnisse (Skriptsprache wie R, Python oder Matlab)
Seminartyp und Dauer
  • Firmen-Seminar mit einer Dauer von 3 Tagen
  • Unterricht 9-17 Uhr mit angemessenen Pausen
  • 40% Vorlesung + 60 % Praxis, Übungen und Demos