Deep Learning
Mit Keras neuronale Netze programmieren
Wann und Wo?
Gerne als Inhouse-Seminar oder im Raum Stuttgart
Termin nach Absprache!
Beschreibung
Der Deep-Learning-Kurs gibt einen Überblick über die Hauptideen und Techniken des Deep-Learnings und behandelt die praktische Implementierung von Deep-Learning-Algorithmen mit Python & Keras. Der Übungsanteil ist rund 50% der Zeit.
Ziel des Trainings
Am Kursende sind die Teilnehmer in der Lage, moderne Bilderkennungs-Algorithmen sowie Vorhersagemodelle in wenigen Zeilen Code selber zu programmieren. Der Kurs setzt Grundkenntnisse in Python voraus. Grundkenntnisse in Linearer Algebra, Differenzialrechnung und Wahrscheinlichkeitsrechnung sind vorteilhaft.
| Umfang | 2 ganze Kurstage |
|---|---|
| Teilnehmeranzahl | Kleingruppen bis maximal 10 Teilnehmer |
| ARBEITSMATERIALIEN | Laptop mit Admin-Rechten |
| TEILNAHMEBESCHEINIGUNG/ZERTIFIZIERUNG | Bei Bedarf: Teilnahmebescheinigung am Ende des Seminars |
| ÖRTLICHKEIT | Bei Ihnen vor Ort oder im Raum Stuttgart |
Inhalte
Hier finden Sie unsere Bausteine im Überblick:
Funktionsweise und Aufbau der Neuronalen Netze
- Eigenschaften der verschiedenen Aktivierungsfunktionen
- Wann müssen welche Typen von Neuronen verwendet werden?
- Welche Loss-Funktion ist bei welchen Problemen geeignet?
- Unterschiedliche Optimierer für das Training und ihre Eigenschaften
Keras (ein Python-Baukasten speziell für Neuronale Netze)
- Sequential Model
- Functional-API für die Programmierung von beliebigen Netzarchitekturen
Konstruktion & Training von Neuronalen Netzen
Mit Keras und TensorFlow als Backend
TensorBoard
Inspektion des Verlaufes des Modell-Trainings
Convolutional Neuronale Netze
- Verwenden und anpassen von fertig trainierten Modellen auf eigene Problemstellungen
- Einsatz von Convolutional Neuronalen Netzen für Bilderkennungs-Algorithme
Kombinierung von Keras und Scikit-Learn
Modellparameter-Optimierung sowie die Evaluierung und Visualisierung der Vorhersagekraft eines Modells
Ausgewählte Themen des allgemeinen Maschinellen Lernen
z. B. Representation Learning und Generalization Theory
Jetzt anmelden
So funktioniert’s
Auszeichnungen unseres Teams
Zertifiziert nach
