Grundlagen des Deep Learning in TensorFlow und PyTorch - Seminar / Kurs von GFU Cyrus AG

Das Spektrum der Themen deckt die wichtigsten Anwendungen von Deep Learning ab, kombiniert mit realistischen Anwendungsfällen und Datensätzen. U. a. werden folgende Konzepte behandelt:

•  Künstliche Neuronale Netze (ANN)
  • Backpropagation, Regularisierung
  • Stochastischer Gradientenabstieg, verschiedene Optimierer
• Faltungsneuronale Netze (CNNs) 
  • MAX Pooling, CNN Architekturen
• Rekurrente Neuronale Netze (RNNs), GRUs, LSTMs
  • Sequenzanalyse, Sprachmodelle
• Seq2Seq
  • Encoder-Decoder
• Transformer (BERT, T5, GPT2) und Vision Transformer
  • Attention, Transfer Learning und Fine Tuning 
  • Worteinbettungen jenseits von word2vec und GloVe
• Autoencoder, Variations-Autoencoder (VAE)
• Siamesische Netzwerke in Pytorch
• Generative Modelle
  • Generative Adversarial Networks (GANs)
  • Deepfake

  Der Schwerpunkt des Seminars liegt auf der Umsetzung von Projekten. In den folgenden Modulen werden die Programme (Python) auf Basis Tensorflow bzw. Pytorch mit der API Keras entwickelt:

• Computer Vision (Bildverarbeitung)
  • Gesichtserkennung (Alter, Geschlecht, Emotionen, Ethnizität)
  • Lagebestimmung von Objekten auf Bild- bzw. Videodaten 
  • Erkennen von Objekten auf Kamerabildern, um so z.B. eine Sortierung zu ermöglichen
  • Analyse und Diagnose anhand medizinischer Scans 
  • Erkennen von Anomalien oder visuellen Defekten während eines Produktionsprozesses
  • GAN-basierte Bild- und Videoeinfärbung
  • Textuelle Beschreibungen von Bildern 
  • IOT: Predictive Maintenance (vorausschauende Instandhaltung) 
  • IOT: Erkennen von Anomalien oder visuellen Defekten während eines Produktionsprozesses

 

• Natural Language Processing (Textverarbeitung)
  • Automatische Übersetzung von Texten
  • Textzusammenfassungen (extraktive und abstraktive)
  • Automatische Beantwortung von Fragen
  • Stimmungsanalyse (Sentiment) von Texten
  • Chatbot

 

• Zeitreihenanalyse (Prognose) als Deep Learning Problem
  • Vorhersage von multivariaten Zeitreihen mit RNNs
  • Beispiele: Bedarfsprognose, Regenvorhersage, COVID-19, Algorithmic Trading

Dieser Kurs richtet sich an Einsteiger:innen im Bereich Deep Learning, die eine solide Grundlage der wichtigsten Konzepte suchen, die für die Erstellung von Deep-Learning-Modellen mit bekannten Methoden erforderlich sind. Der Kurs geht davon aus, dass Sie zuvor keine umfangreichen Erfahrungen mit neuronalen Netzen und Deep Learning gemacht haben und beginnt mit einer Übersicht über die für Deep Learning erforderlichen Grundlagen des maschinellen Lernens. Dann wird erklärt, wie man Daten durch Bereinigung und Vorverarbeitung für Deep Learning vorbereitet, und es werden nach und nach neuronale Netze und die überwachten neuronalen Netzarchitekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Generative Adversarial Networks (GANs) sowie unüberwachte Architekturen wie Autoencoder (AEs), Variational Autoencoder (VAEs) und Restricted Boltzmann Machines (RBMs) und Transformer vorgestellt.   Zu den praktischen Anwendungen werden die Klassifizierung von Texten in vordefinierte Kategorien, die syntaktische Analyse, die Stimmungsanalyse, die synthetische Generierung von Text und das Tagging von Sprachbestandteilen behandelt. Im Rahmen der Bildverarbeitung werden die Klassifizierung von Bildern in verschiedene Kategorien und der fortgeschrittenen Objekterkennung mit zugehörigen Bildkommentaren sowie die Generierung von Bildern mithilfe von Autoencodern und GANs in Programmcode (Python) umgesetzt.

Dieser Kurs richtet sich an angehende Deep-Learning-Ingenieur:innen (Informatiker:innen, Software-Ingenieur:innen), die sich mit den Bausteinen von Deep Learning vertraut machen wollen. Es sind keine Vorkenntnisse im Bereich Neuronaler Netze oder maschinelles Lernen erforderlich. Eine gewisse Vertrautheit mit linearer Algebra und Python-Programmierung wird vorausgesetzt.