Kursinhalte
Einführung und Übersicht
- Begriffsklärung: Machine Learning, Neuronale Netze, Deep Learning, AI, Perzeptron
- Aufsetzen der Python-Umgebung (Scipy, Keras, TensorFlow
)
- Machine Learning Grundlagen
Python und Einführung in Machine Learning
- Crashkurs und Übersicht Numpy und Pandas
- Maschinelles lernen richtig verstehen ohne ML Bibliotheken
- Das Perzeptron
- Mathematische Grundlagen einfach erklärt
- Skalarprodukte und Heaviside-Funktion (ja wirklich Heaviside)
- Delta-Regeln
- Neuronen mit Bias
- Eingabe- und Ausgabe-Neuronen
- Lernrate und Training
- Visualisierung mit Matplotlib und Pandas
Datenaufbereitung, Testsets und Parameter
- Richtige Trainingsdaten auswählen
- Varianzen und potentielle Probleme
- Ungereimtheiten und Abweichungen finden
- Einschätzung Machbarkeit, Ressourcen-Aufwand, Genauigkeit & Co
- Daten vektorisieren und standardisieren
- CSV- und Text-Dateien
- Bilder
- Andere Datenquellen
Neuronale Netze mit Tensorflow
- Übersicht und Architektur
- Tensorflow 2.0
- Was ist ein neuronales Netzwerk?
- Überwachtes lernen mit neuronalen Netzwerken
- Modelle für verschiedene Szenarien
- Arten von Algorithmen
- Bild-Klassifizierung
- Textverständnis
- Validierung der eigenen Modelle
Deep Learning und Keras
- Aktuelle Trends
- Anwendungsbereiche und aktuelle Beispiele
- Unüberwachtes lernen
- Arten von Netzwerken und Modellen
- Keras
- Dataset Objects
- Modelle trainieren
- GPU Optimierung
- Modell Konfigurationen
- KerasTuner
- Echte Beispiele von Anfang bis Ende
- Visualisierung des Modells
Hinweise 09:00 bis 16:00 Uhr ( 4 Tage)