Deep Learning mit Python (Stuttgart) - Seminar / Kurs von DHL Data Science Seminare GmbH

Wenn es um die erfolgreiche Nutzung von Daten geht, dominiert seit einigen Jahren die "Künstliche Intelligenz" die Berichterstattung. Dabei hat sie diesen Höhenflug dem Maschinellen Lernen zu verdanken. In dieser Disziplin werden Erkenntnisse und Regeln direkt aus den Daten gewonnen. Eines der bekanntesten Methoden in diesem Bereich sind Neuronale Netzwerke, welche die Daten schichtweise verarbeiten. Noch vor 10 Jahren hat man sich mit wenigen Schichten zufrieden gegeben. Durch den immensen Erfolg im Bereich der Objektklassifizierung und -erkennung (z. B. bei der Gesichtserkennung oder beim Autonomen Fahren), sowie bei der Verarbeitung natürlicher Sprache (z. B. bei Übersetzungen) haben tiefe neuronale Netzwerke (Netzwerke mit sehr vielen Schichten, Deep Learning) immer mehr an Bedeutung gewonnen. In dem Kurs Deep Learning mit Python geben wir einen intensiven Einblick in tiefe Neuronale Netze, angefangen beim ursprünglichen Perzeptron über klassische Neuronale Netze bis hin zu Deep Learning.

Dabei gibt der Intensivkurs Deep Learning mit Python einen Überblick über die aktuellen Methoden des Maschinellen Lernens mit speziellen Fokus auf tiefe neuronale Netze. Anhand von zwei Praxis-Beispielen erhalten Sie einen intensiven Einblick, wie diese Methoden in der Praxis angewendet werden. Gerne können Sie hierfür auch eine eigene Fragestellung inkl. der notwendigen Daten mitbringen.

In den drei Tagen erfahren Sie die wichtigsten Details zu tiefen Neuronalen Netzen und lernen Python SciKit-Learn, Keras/TensorFlow sowie PyTorch kennen. Mit diesem Handwerkszeug können Sie sofort loslegen, die Potenziale des Deep Learnings auf Fragestellungen Ihres Unternehmens in Verbindung zu bringen.

Agenda

Überblick, Grundlagen und Praxisbeispiele

• Künstliche Intelligenz
• Maschinelles Lernen
• Deep Learning
• Praxisbeispiele u.a. zu den Themen:
  • Natural Language Processing (Chatbots, Übersetzungen etc.)
  • Bildverarbeitung (Objekterkennung, Tracking etc.)
  • Intelligente Agenten (Bots, Optimierungen etc.)
• Impulse, wie Deep Learning auch in Bereichen wie Logistik, Wartung & Instandhaltung (Predictive Maintenance), Prozessindustrie oder Customer Journey angewendet werden kann

Kurze Einführung in Python

• Relevante Python-Bibliotheken: numpy, scikit-learn, pandas
• Weiterführende Python-Bibliotheken: keras, tensorflow, pytorch
• Praxis-Übung: Regression (Supervised Learning)

Neuronale Netzwerke

• Loss-Functions, Gradienten und Gradienten-Abstieg
• Klassische Architekturen: (Multi-Layer)-Perceptrons
• Weiterführende Architekturen: Convolutional Neural Networks, Recurrent Neural Networks und Transformers (inkl. Attention und Self-Attention)
• Ausblick: Deep Reinforcement Learning
• Praxis-Übung: Klassifikation (Supervised Learning)

Praxis-Beispiel I (Bildverarbeitung)

• Einführung in den Kontext und die Daten
• Zielsetzung und Methodennutzung
• Praxis-Übung: Bild-Klassifizierung anhand Convolutional Neural Networks (CNNs)

Praxis-Beispiel II (Natürliche Sprachverarbeitung/NLP)

• Einführung in den Kontext und die Daten
• Zielsetzung und Methodennutzung
• Praxis-Übung: Text-Generierung anhand LSTMs und Transformers (inkl. Embeddings)

Am Ende dieses Intensivkurses Deep Learning mit Python werden Sie

• die aktuelle Berichterstattung zu Künstliche Intelligenz, Maschinellem Lernen, Neuronalen Netzen und speziell Deep Learning inhaltlich einordnen und bewerten können,
• Projekte mit Python (mit Scikit-Learn, Keras/Tensorflow und PyTorch) und Methoden des Deep Learnings starten zu können,
• wissen, welche und wie viele Daten für die erfolgreiche Umsetzung einer Fragestellung mit Deep Learning (noch) notwendig sind,
• eine Bild-Klassifizierung mit Convolutional Neural Networks (CNNs) durchführen und Texte mit Transformer generieren können.

Unser Intensivkurs Deep Learning mit Python ist für Beschäftigte aus operativen Bereichen, R&D und IT geeignet, welche die Kursvoraussetzungen erfüllen und die Potenziale von Deep Learning für ihren Bereich kennenlernen und hautnah erfahren möchten. Anwender, Studenten, Doktoranden und Forscher aus den mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen sind ebenfalls willkommen.

Inhaltliche Voraussetzungen zur Kursteilnahme

Für den Data Science Crash Course mit Python sind Grundverständnisse der Linearen Algebra (Vektoren, Matrizen) und ein Basiswissen in der Statistik (wie Korrelationen, Signifikanztests, lineare Regression) sehr empfehlenswert. Sie sollten Grundkenntnisse in einer Programmiersprache besitzen, am besten wäre eine Skriptsprache wie Python, R oder Matlab. Liegen keine Programmierkenntnisse vor, können Sie den dafür entwickelten Vorbereitungskurs Einführung in die Programmierung mit Python besuchen (SG Seminar Nr. 5701181).

Technische Voraussetzungen zur Kursteilnahme

Bitte bringen Sie zur Teilnahme an dem Präsenzseminar Ihren Lapop mit der von Ihnen bislang genutzen R/RStudio-Umgebung mit. Sie erhalten außerdem eine Installationsanleitung für die Aktualisierung der Installation und der im Unterricht verwendeten R-Pakete. Bei Bedarf können Sie einen  fertig konfigurierten Schulungslaptop mieten, der im Seminarraum zur Verfügung gestellt wird.