Live-Online: Computer Vision: Bilderkennung mit Künstlicher Intelligenz

CNNs, Objekterkennung und Machine Learning praktisch anwenden1. Grundlagen der Computer Vision

• Warum Deep Learning für Computer-Vision-Aufgaben?Aufbau und Funktionsweise von Neuronalen NetzenNeuronale Netze in der Bildverarbeitung

2. Einführung in TensorFlow und Keras

• Funktionen und Zusammenarbeit der FrameworksErstellen und Trainieren neuronaler Netze

3. Convolutional Neural Networks (CNN)

• Architektur und Funktionsweise von CNNWie werden Bilddaten in CNN verarbeitet?Praxisübung: Bildklassifikation mit CNN durchführen

4. Bilddaten-Augmentation in der Praxis

• Das Konzept der Daten-AugmentierungVerschiedene AugmentierungstechnikenWie verbessere ich mein Modell mit Augmentierung?

5. Transfer Learning in der Bildklassifikation

• Motivation und Funktionsweise von Transfer LearningVerwendung vortrainierter ModelleFinetuning vortrainierter Modelle für spezifische Aufgaben

6. Erklärbare Bildklassifikation

• Motivation und Herausforderungen von Explainable AIMethoden, mit denen KI-Modelle erklärbar werdenPraktische Beispiele für Anwendung und Umsetzung

7. Einführung in PyTorch

• Überblick über das PyTorch-FrameworkVergleich zu TensorFlow und KerasEine Praxisübung mit PyTorch

8. Objekterkennung

• Herausforderungen in der ObjekterkennungDie YOLO-Architektur und ihre AnwendungPraxisübung: Objekterkennung auf eigenen Daten

9. Bildsegmentierung

• Überblick über SegmentierungsverfahrenBildsegmentierung mit CNNImage Retrieval mit Embeddings

10. Generative und multimodale KI

• Generative Adversarial Networks (GAN)Variational Autoencoder (VAE)Multimodale Large Language Models
• Verbindung von Bild- und Textdaten

 

Lerndauer: 3 Tage

Mit dieser Veranstaltung sind sie flexibel: Diese Veranstaltung wird vollständig online ausgeliefert!

Wichtige Information: Bitte beachten Sie, dass einige unserer Webinare auch aus mehreren Online-Modulen bestehen können. Erkennbar ist dies, wenn die Dauer länger als ein Tag ist.

Eine Übersicht der einzelnen Termine zu den Online-Modulen erhalten Sie nach der Buchung in Ihrer persönlichen Online-Lernumgebung.

LernzieleSchneller Einstieg in Computer Vision: Du verstehst die wichtigsten Architekturen – von CNNs über YOLO bis zu Vision Transformern – und wählst für jede Aufgabe das optimale Modell aus.   Höhere Modellqualität: Durch Data-Augmentation, Transfer Learning und Explainable-AI-Techniken erhöhst du Präzision und Vertrauen in deine Ergebnisse.   Fundierte Technologie-Entscheidungen: Best-Practice-Vergleiche zwischen TensorFlow/Keras und PyTorch, verbunden mit Deployment-Optionen von Cloud bis Edge, geben dir eine klare Roadmap für eigene Projekte.   Robuste Produktionseinsätze: Du lernst, Domänenshifts zu erkennen, kleine Objekte verlässlich zu detektieren und Fehlalarme zu minimieren – essenziell für Industrie-, Medizin- und Retail-Anwendungen.  

Unterstützung beim Lerntransfer: Cloud-Lab, Quellcode, Jupyter Notebooks und Deploy-Blueprint sichern den Transfer in deinen Arbeitsalltag.

Zielgruppen

Software-Entwickler:innen, ML-Engineers, Data Scientists, Ingenieur:innen und IT-Berater:innen, die Bilddaten automatisiert auswerten oder visuelle Prüfungen digitalisieren wollen. Python-Grundkenntnisse werden vorausgesetzt. Vertieftes Data-Science-Wissen ist hilfreich, aber nicht zwingend erforderlich.