Crashkurs Deep Learning für Einsteiger

Dieser praxisorientierte Crashkurs bietet eine kompakte Einführung in Künstliche Intelligenz und Deep Learning mit Python. Die Teilnehmenden lernen, eigene Modelle mit Keras / TensorFlow zu entwickeln, zu trainieren und auf neue Daten anzuwenden. Behandelt werden grundlegende Netzarchitekturen wie MLPs und CNNs, Techniken zur Datenvorbereitung (z. B. Normalisierung, One-Hot-Encoding), sowie wichtige Konzepte wie Aktivierungsfunktionen, Backpropagation und Overfitting. Anhand praktischer Übungen mit dem MNIST-Datensatz und unter Nutzung von GPUs erwerben die Teilnehmenden praxisrelevante Kompetenzen für die Entwicklung eigener Deep-Learning-Modelle.

Als Grundlage für diesen Crashkurs eignet sich der Crashkurs Python für Einsteiger.

Ziele

 In diesem kompakten Kurs erhalten Sie einen fundierten Einstieg in die Welt der Künstlichen Intelligenz und des Deep Learning. Sie lernen die Grundlagen von Neuronalen Netzen und eine erste Anwendung in der Bildverarbeitung kennen. Anhand praktischer Beispiele erstellen und trainieren Sie eigene Modelle im Framework Keras / TensorFlow. Nach Abschluss des Seminars sind Sie in der Lage, einfache Deep-Learning-Modelle zu entwickeln, zu trainieren und auf neue Daten anzuwenden.

Zielgruppen

In diesem kompakten Kurs erhalten Sie einen fundierten Einstieg in die Welt der Künstlichen Intelligenz und des Deep Learning. Sie lernen die Grundlagen von Neuronalen Netzen und eine erste Anwendung in der Bildverarbeitung kennen. Anhand praktischer Beispiele erstellen und trainieren Sie eigene Modelle im Framework Keras / TensorFlow. Nach Abschluss des Seminars sind Sie in der Lage, einfache Deep-Learning-Modelle zu entwickeln, zu trainieren und auf neue Daten anzuwenden.

Inhalte

• Einführung in Deep Learning mit Python und Keras/TensorFlow

• Datenvorbereitung: Normalisierung, One-Hot-Encoding und Vermeidung von Overfitting

• Entwicklung und Training von Multi-Layer Perceptrons (MLP)

• Aufbau und Funktionsweise von Convolutional Neural Networks (CNN) zur Bildklassifikation

• Training von Netzwerken: Backpropagation, Loss-Funktionen, Gewichtinitialisierung

Seminarbeschreibung

 Daten Vorbereitung

• Overfitting beim Trainieren von Machine Learning Algorithmen

• Train-Validation-Test Datensplit zur Detektion von Overfitting

• Datennormalisierung

• One-Hot encoding

• Anwendung auf den MNIST Datensatz

• Multi-Layer-Perceptron (MLP) in Keras/TensorFlow (Neuronales Netz)

  • Wichtige Bauteile eines MLPs: Perceptron, Gewichte, Bias

  • Aktivierungsfunktionen

  • Softmax bei Klassifizierungsaufgaben

• Ein Netzwerk trainieren und auf neue Daten anwenden

  • Verschiedene Loss-Funktionen

  • Backpropagation: Trainieren von den GewichtenEpoche und Batch-Size

  • Den Output während des Trainings interpretieren

  • Das trainierte Netzwerk zur Vorhersage von neuen Daten verwenden

• Convolutional Neural Network (CNN)

  • Ein Convolution layer (Faltungsschicht)

  • Filter

  • Padding und Stride bei der Convolution

  • Max-Pooling Layer

  • Was lernt ein CNN auf den unterschiedlichen Layern?