Entlang des Intensivkurses lernen die Teilnehmenden die notwendigen Hintergründe mit dem Fokus, das Wissen in Selbstlernphasen praktisch einzusetzen. Schwierigkeiten und typische Probleme, die hierbei auftreten, werden gelöst und ermöglichen, das Gelernte nach dem Seminar direkt im Unternehmen einzusetzen. Insbesondere werden übliche Schwierigkeiten beim Rechnen auf einer GPU behandelt, so dass typische technische Einstiegshürden behandelt und gelöst werden.
Die Möglichkeiten des Einlesens von Daten (Data Loader über tf.data), mit dem Erweitern der Trainingsdaten (data augmentation) und dem Umgang mit fehlerhaften Daten ist bei Projekten mit echten Daten der erste Schritt, welcher auch signifikant über die Geschwindigkeit des Trainings und die Validierungsgüte entscheidet.
Praktische Tipps, wie Keras Callbacks zur Überwachung, inkl. Visualisierung des Trainings, dem Benutzen von vortrainierten Netzen (Fine-Tuning), mögliche Fehlerquellen, wenn das Training nicht funktioniert, klassische Regularisierungsmöglichkeiten (Batch Normalisierung, Drop Out) und Engpässe für die Steigerung der Geschwindigkeit runden das Seminar ab.
Entlang des Intensivkurses lernen die Teilnehmenden die notwendigen Hintergründe mit dem Fokus, das Wissen in Selbstlernphasen praktisch einzusetzen. Schwierigkeiten und typische Probleme, die hierbe ...
Mehr Informationen >>
Teilnehmende, welche Deep Learning zur Lösung von typischen industriellen Problemen einsetzen möchten und hierfür das Keras / TensorFlow Framework verwenden wollen.