Sie lernen den kompletten Workflow des Machine Learnings mit der Deep-Learning Bibliothek Keras kennen. Angefangen von der Datenaufbereitung, über die Auswahl und das Anlernen der Modelle, bis hin zum Einsatz der trainierten Modelle zur Klassifikation und Prognose. Sie können Bild-, Text- und numerische Daten für Training und Schätzung vorbereiten. Sie kennen die konzeptuellen Grundlagen des Anlernens, die Verfahren zur Qualitätssicherung im Anlernprozess und die Varianten neuronaler Netze. Dazu gehören konvolutationale Netze (CNN) zur Verarbeitung von Bilddaten genauso wie rekurrente Netze (RNN) zur Verarbeitung von Text- und Zeitreihendaten. Die Konzepte werden anhand von Folien erklärt, an Beispielen verdeutlicht und gemeinsam in Python umgesetzt und eingeübt. Eine Vielzahl praktischer Übungen ergänzen den Lernprozess und ermöglichen es, die verschiedenen Lernszenarien selbstständig umzusetzen. Am Ende des Seminars sind Sie in der Lage, Daten und Optionen des Einsatzes neuronaler Netze zu prüfen, Modelle zielsicher auszuwählen und zu trainieren und Klassifizierer erfolgreich einzusetzen.
Sie lernen den kompletten Workflow des Machine Learnings mit der Deep-Learning Bibliothek Keras kennen. Angefangen von der Datenaufbereitung, über die Auswahl und das Anlernen der Modelle, bis hin zu ...
Mehr Informationen >>
Technisch interessierte Fachkräfte bzw. Projektleiter:innen, die einen Einstieg in die Anwendung fortgeschrittener Machine Learning Techniken suchen, um eigenständig Data Science Projekte zu gestalten. Die Teilnehmer:innen sollten über Grundkenntnisse in Python verfügen. Überdies ist die Kenntnis grundlegender statistischer Konzepte (z.B. Mittelwert, Standardabweichung, Normalverteilung, Regression) hilfreich.
Technisch interessierte Fachkräfte bzw. Projektleiter:innen, die einen Einstieg in die Anwendung fortgeschrittener Machine Learning Techniken suchen, um eigenständig Data Science Projekte zu gestalt ...
Mehr Informationen >>