Machine Learning und Deep Learning im Unternehmen - Intensiv - Webinar von GFU Cyrus AG

Das Themenspektrum des Workshops deckt die wichtigsten Anwendungen des Maschinellen Lernens ab, kombiniert mit realistischen Anwendungsfällen und Datensätzen. Sie lernen folgende Konzepte kennen:

• Algorithmen zum überwachten Lernen
  • Lineare Modelle, k-nächste Nachbarn, Entscheidungsbäume
  • Support Vector Machines mit Kernel
• Unüberwachtes Lernen und Vorverarbeitung 
  • Clusteranalyse, DBSCN, Logistische Regression, Naive Bayes
  • Dimensionsreduktion, Hauptkomponentenzerlegung (PCA)
• Repräsentation von Daten und Merkmalsgenerierung
• Evaluierung und Verbesserung von Modellen
  • Kreuzvalidierung, Gittersuche, Evaluations-Metriken
• Verkettete Algorithmen und Pipelines
• Verarbeitung von Textdaten (Natural Language Processing)
• Neuronale Netze
  • DNN, CNN, RNN, GRU, LSTM, Autoencoder, Transformer
  • Transfer Learning 
  • Objekterkennung (Yolo), Bild-Segmentierung
  • Spezielle Netzwerke: U-Net, ResUnet
  • Autoencoder, VAE, GANs, Siamesische Netzwerke
• Konkrete im Kurs umgesetzte Projekte mit Python aus verschiedenen Industrien und Betriebsfunktionen
  • Marketing
    • Kundensegmentierung (k-Means, Autoencoder, PCA)
    • Empfehlungssysteme (Neuronale Netze)
  • Gesundheitswesen
    • Diagnose von Krankheiten anhand von Symptomen oder Röntgenaufnahmen (Neuronale Netze)
    • Tumorerkennung und -lokalisierung (Bild-Segmentierung, U-Net bzw. ResNet)
  • Sales
    • Bedarfs- bzw. Umsatzprognose (univariate, multivariate) (LSTM, GRU, Transformer)
  • Pflanzenschutz
    • Erkennung von Pflanzenkrankheiten (Bild-Segmentierung durch U-Net)
  • Zugangskontrolle
    • Gesichtserkennung (Siamesisches Netzwerk bzw. VggFace)
  • Produktion :
    • Ausreißer-Erkennung (Autoencoder, PyOD)
    • Anomalien bei der Qualitätskontrolle (Bild-Segmentierung mit ResNet)
    • Anomalien bei Kurvenläufen (z.B. Druck- der Temperaturverläufen) (Autoencoder)
    • Automatisches Erkennen bzw. Zählen von Objekten (z.B. Artikel, Paletten, Personen...)
  • Prädiktive Wartung
    • Anomalie-Erkennung bei Zeitreihen (Autoencoder, PyCaret)
    • Vorbeugende Wartung am Beispiel eines Turbinentriebwerks (LSTM)
  • Versicherungswesen
    •  Automatische Schadenserkennung (Bild-Segmentierung mit Res-Net, Annotation)
• Weitere im Training erstellte Anwendungen
  • Textzusammenfassungen (Transformer, BERT)
  • Extraktion benannter Entitäten aus Dokumenten (Transformer, BERT)
  • Klassifizierung von E-Mails (LSTM, BERT)
  • Erkennung und Entziffern von Nummernschildern (Yolov7)
  • Auswertung von Drohnenaufnahmen (Bildsegmentierung, U-Net)