Deep Learning

Zielgruppe: Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-) Ingenieurwissenschaften.

Der Kurs erläutert die Methoden des Deep Learnings auf Basis von neuronalen Netzen. Deep Learning als Teilbereich des Machine Learnings, nutzt Algorithmen für intelligente Lernprozesse. Der Lehrgang vermittelt dazugehörige Tools wie TensorFlow und Keras und erläutert Bildklassifizierung anhand von Convolutional Neural Networks (CNN). Im weiteren Verlauf werden auch Recurrent Neural Networks (RNN) und Generative Modelle vorgestellt.

Lehrgangsinhalte:

Einführung Deep Learning (ca. 1 Tag)

• Deep Learning als eine Art von Machine Learning

Grundlagen in neuronalen Netzen (ca. 4 Tage)

• Perceptron
• Berechnung neuronaler Netze
• Optimierung der Modellparameter, Backpropagation
• Deep-Learning-Bibliotheken
• Regression vs. Klassifikation
• Lernkurven,
• Überanpassung und Regularisierung
• Hyperparameteroptimierung
• Stochastischer Gradientenabstieg (SGD)
• Momentum,
• Adam Optimizer
• Lernrate

Convolutional Neural Network (CNN) (ca. 2 Tage)

• Bildklassifizierung
• Convolutional-Schichten, Pooling-Schichten
• Reshaping-Schichten, Flatten, Global-Average-Pooling
• CNN-Architekturen ImageNet-Competition
• Tiefe neuronale Netze, Vanishing Gradients, Skip-Verbindungen, Batch-Normalization

Transfer Learning (ca. 1 Tag)

• Anpassen von Modellen
• Unüberwachtes Vortrainieren
• Image-Data-Augmentation, Explainable AI

Regional CNN (ca. 1 Tag)

• Objektlokalisierung
• Regressionsprobleme
• Verzweigte neuronale Netze

Generative Adversarial Networks (ca. 1 Tag)

• Anwendungen von GANs
• Deepfakes
• Deep-Convolutional-GANs

Recurrente neurale Netze (ca. 2 Tage)

• Sequenzanalyse
• Rekurrente Schichten
• Backpropagation through time (BPTT)
• Analyse von Zeitreihen
• Exploding und Vanishing Gradient Probleme
• LSTM (Long Short-Term Memory)
• GRU (Gated Recurrent Unit)
• Deep RNN
• Deep LSTM

Textverarbeitung durch neuronale Netze (ca. 2 Tage)

• Text-Preprocessing
• Embedding-Schichten
• Text-Klassifizierung
• Sentimentanalyse
• Transfer-Learning in NLP
• Übersetzungen
• Seqence-to-Sequence-Verfahren, Encoder-Decoder-Architektur

Sprachmodelle (ca. 1 Tag)

• BERT
• Attention-Schichten, Transformers
• Textgeneration-Pipelines
• Summarization
• Chatbots

Deep Reinforcement Learning (ca. 1 Tag)

• Steuerung dynamischer Systeme
• Agentensysteme
• Training durch Belohnungen
• Policy Gradients
• Deep-Q-Learning

Bayes´sche neuronale Netze (ca. 1 Tag)

• Unsicherheiten in neuronalen Netzen
• Statistische Bewertung von Prognosen
• Konfidenz, Standardabweichung
• Unbalancierte Daten
• Sampling-Methoden

Projektarbeit (ca. 3 Tage)

• Zur Vertiefung der gelernten Inhalte
• Präsentation der Projektergebnisse

Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.

Präsenzlehrgänge mit Videotechnik der neuesten Generation
Der Einsatz von Videokonferenzsystemen gehört zum Lehrgangskonzept von alfatraining. Diese Form von Unterricht trainiert das Arbeiten in einer vernetzten Arbeitsumgebung, wie sie in Industrie und Wirtschaft existiert. In der globalisierten Arbeitswelt arbeiten Firmen heutzutage sowohl firmenintern als auch mit anderen Unternehmen deutschlandweit, europaweit oder weltweit über moderne Kommunikationstechniken und Netzwerke zusammen. Sie lernen im Unterricht den Umgang und Einsatz dieser modernen Techniken kennen.

Wie funktioniert der Unterricht bei alfatraining?
Bei alfatraining findet der Unterricht via alfaview®, einer Videokonferenzsoftware, statt. Die Dozierenden und die Teilnehmenden können sich gegenseitig sehen, hören und miteinander sprechen – live, lippensynchron und in Fernsehqualität! Über den virtuellen Klassenraum alfaview® ist es möglich, dass Sie sowohl mit Dozierenden als auch mit allen Teilnehmerinnen und Teilnehmern Ihres Kurses sprechen und im Team standortübergreifend gemeinsam an Projekten arbeiten. Zusätzliche separate Online-Besprechungsräume eignen sich zur vertraulichen Kommunikation in Kleingruppen.

Nach dem Lehrgang verstehen Sie die Einsatzbereiche von Deep Learning und die Funktionsweisen neuronaler Netzwerke. Sie verstehen, wie neuronale Netze Objekte in Bildern erkennen können, sind in der Lage maschinelles Lernen bereitzustellen und Prozesse zu dokumentieren.

Vorkenntnisse im Bereich Machine Learning sowie in der Programmiersprache Python.

keine Einschränkungen

keine Einschränkungen

• Berufsförderung der Bundeswehr
• Bildungsgutschein (auch für Weiterbildung während Kurzarbeit)
• Leistungen zur Teilhabe am Arbeitsleben (berufliche Rehabilitation)
• auf Anfrage

• auf der Internetseite des Bildungsanbieters