KI Grundlagen - Deep Learning und Neuronale Netze mit Python (Live Online Training) - Webinar von Cegos Integrata GmbH

• Vorstellungsrunde der Teilnehmer
• Erwartungen der Teilnehmer an den Kurs
• Einführung in Jupyter Notebooks
• Nutzung von Cloud-Ressourcen für Berechnungen

• Kurze Übersicht und historischer Hintergrund des Deep Learning
• Verständnis von KI, Deep Learning und Machine Learning
• Beispiele aktueller Deep Learning Algorithmen in marktüblichen Produkten
• Eigenständige Erstellung und Schulung eines grundlegenden neuronalen Netzes mit Keras

• Effektive Vermeidung von Overfitting bei Machine Learning Algorithmen
• Strukturierung der Daten durch Trainings-Validierungs-Test Split zur Overfitting-Erkennung
• Optimale Datenvorbereitung durch Normalisierung und One-Hot Encoding
• Anwendung dieser Methoden auf den MNIST Datensatz

• Wichtige Elemente eines MLPs: Perceptron, Gewichtungen, Bias
• Einsicht in Non-linearities (Aktivierungsfunktionen)
• Einsatz von Softmax bei Klassifikationsaufgaben

• Auswahl passender Loss-Funktionen je nach Aufgabe
• Verständnis von Backpropagation: Anpassung der Gewichtungen
• Initiierung der Gewichtungen für reibungsloses Training
• Epochen und Batch-Size – Schlüsselparameter des Trainingsprozesses
• Interpretation des Outputs während des Trainings
• Einsatz des trainierten Modells für Vorhersagen auf neuen Daten

• Erläuterung der Convolutional Layer (Faltungsschicht)
• Aufbau und Anwendung von Filtern
• Steuerung von Padding und Stride bei der Convolution

• Optimierung der Anzahl an Channels und Filtern in der Faltungsschicht
• Einfluss von Bias in einem CNN
• Nutzung des Max-Pooling Layers für Dimensionalitätsreduktion
• Analyse der Lernprozesse in verschiedenen Ebenen eines CNNs

• Implementierung und Einsatz von Keras Callbacks
• Speicherung von Modellgewichtungen und Architektur
• Frühzeitiges Beenden von Training mit Early Stopping
• Steuerung der Lernrate durch Learning Rate Scheduler
• Visualisierung des Trainingsverlaufs mit MlFlow

• Einsatz des Softmax-Layers für Klassifikationsprobleme
• Berücksichtigung des Cross-Entropy Loss
• Einblick in bekannte Netzwerkarchitekturen: VGG-16 und AlexNet
• Anwendung von Regularisierungen: L2 Regularisierung, Drop-Out, Batch Normalisation
• Laden eines vortrainierten Modells für weitere Nutzung

• Typischer Workflow für Datenverarbeitung mit tf.data
• Effiziente Verarbeitung großer Datensätze
• Beschleunigung des Einleseprozesses

• Übersicht über Semi Supervised Learning Ansätze
• Einsatz des SimCLR Modells für Semi Supervised Learning
• Eigenständige Erstellung eines individuellen tf.keras Modells
• Nutzung des contrastive loss für Semi Supervised Learning

• Einführung in bewährte Vorgehensweisen bei neuen Deep Learning Aufgaben
• Hyperparameter Optimierung für optimale Modellleistung
• Optimierung des Modells nach dem Training für bestmögliche Ergebnisse

• Erläuterung weiterer etablierter Netzwerkarchitekturen: Inception-V3, ResNet
• Zugang zu existierendem Code für bereits trainierte Netzwerke
• Ausnutzung vortrainierter Netzwerke durch Feintuning und Transfer Learning

Der Kurs zur Künstlichen Intelligenz legt großen Wert auf praktische Anwendungen. Während der Schulung werden die Konzepte anhand von Folien und Beispielen erklärt. In den Übungseinheiten haben die Teilnehmer die Möglichkeit, das Gelernte mithilfe der Programmiersprache Python in der Cloud mit Jupyter Notebooks umzusetzen. Der Trainer steht bei verschiedenen Aufgaben zur Unterstützung bereit und beantwortet Fragen.

In diesem dreitägigen Kurs werden die Grundlagen von Künstlicher Intelligenz (KI) mit Keras-Tensorflow geschult. Der Fokus liegt auf Deep Learning für supervised und semi-supervised Anwendungsfälle. Sie werden die Neuronale Netzwerkarchitekturen Multi Layer Perceptron (MLP), Convolutional Neural Network (CNN) und die Modell Architektur SimCLR (Semi Supervised) kennenlernen. Das Framework Tensorflow/Keras wird dabei verwendet.Unser Deep Learning-Kurs mit GPU-Nutzung bietet eine Einführung in Deep Learning-Algorithmen für die Verarbeitung von Bilddaten im Bereich des überwachten und semi-überwachten Lernens. Deep Learning-Algorithmen sind derzeit eine wichtige Klasse von Algorithmen im Bereich des maschinellen Lernens und werden bereits in vielen Bereichen unseres Alltags eingesetzt. Im Kurs lernen Sie, geeignete Modelle zu trainieren, um sie zur Klassifikation oder Schätzung neuer Daten zu verwenden. Sie lernen auch die wichtigsten Aspekte der Programmierung von Deep Learning-Algorithmen in Tensorflow/Keras, einschließlich der Datenaufbereitung, des sequenziellen Einlesens großer Datenmengen, der Erstellung tiefer neuronaler Netze und der Anwendung der trainierten Modelle auf neue Daten. In praktischen Übungen werden gängige Varianten von Deep Neural Networks behandelt und vertieft. Die behandelten Algorithmen finden in verschiedenen Bereichen der Industrie Anwendung, wie z.B. dem Erkennen von Symbolen, der Produktionsüberwachung, der Textur-/Oberflächenanalyse und dem automatischen Tagging von Bildern. Das Seminar bietet Ihnen die Möglichkeit, die theoretischen Konzepte in praktischen Übungen umzusetzen und die Leistungsfähigkeit der Algorithmen kennenzulernen.Es wird Programmiererfahrung vorausgesetzt, idealerweise in Python, jedoch ist dies nicht zwingend notwendig.