Seminar Tiefe neuronale Netze verstehen

Seminar / Training Tiefe neuronale Netze verstehen

Deep Learning und DNN-Konzepte

Einführung KI, Maschinelles Lernen & Deep Learning

  • Geschichte, Grundkonzepte und übliche Anwendungen der künstlichen Intelligenz weit entfernt von den Phantasien, die dieser Bereich in sich trägt
  • Kollektive Intelligenz: Aggregation von Wissen, das von vielen virtuellen Agenten geteilt wird
  • Genetische Algorithmen: um eine Population von virtuellen Agenten durch Selektion zu entwickeln
  • Gewöhnliche Lernmaschine: Definition
  • Aufgabentypen: überwachtes Lernen, unüberwachtes Lernen, Verstärkungslernen
  • Aufgabentypen: Klassifikation, Regression, Clustering, Dichteschätzung, Dimensionalitätsreduktion
  • Beispiele für Algorithmen des maschinellen Lernens: Lineare Regression, Naive Bayes, Zufallsbaum
  • Maschinelles Lernen VS Deep Learning: Probleme, bei denen Maschinelles Lernen heute noch Stand der Technik ist (Random Forests & XGBoosts)

Grundlegende Konzepte eines Neuronalen Netzes

  • Erinnerung an mathematische Grundlagen
  • Definition eines Netzes von Neuronen: klassische Architektur, Aktivierung und
  • Gewichtung vorheriger Aktivierungen, Tiefe eines Netzes
  • Definition des Lernens eines Netzes von Neuronen: Kostenfunktionen, Back-Propagation, Stochastischer Gradientenabstieg, Maximum Likelihood
  • Modellierung eines neuronalen Netzes: Modellierung der Eingangs- und Ausgangsdaten je nach Art des Problems (Regression, Klassifikation ) Fluch der Dimensionalität
  • Unterscheidung zwischen Multi-Feature-Daten und Signal Wahl einer Kostenfunktion in Abhängigkeit von den Daten
  • Approximation einer Funktion durch ein Netz von Neuronen: Darstellung und Beispiele
  • Approximation einer Verteilung durch ein Netzwerk von Neuronen: Präsentation und Beispiele
  • Datenerweiterung: wie man einen Datensatz ausbalanciert
  • Verallgemeinerung der Ergebnisse eines Netzes von Neuronen
  • Initialisierung und Regularisierung eines neuronalen Netzes: L1 / L2 Regularisierung, Batch-Normalisierung
  • Optimierungs- und Konvergenzalgorithmen

Standard ML / DL Werkzeuge

  • Eine einfache Darstellung mit Vorteilen, Nachteilen, Position im Ökosystem und Verwendung ist geplant
  • Datenmanagement-Tools: Apache Spark, Apache Hadoop Werkzeuge
  • Maschinelles Lernen: Numpy, Scipy, Sci-kit
  • DL-High-Level-Frameworks: PyTorch, Keras, Lasagne
  • DL-Frameworks auf niedriger Ebene: Theano, Torch, Caffe, Tensorflow

Faltungsneuronale Netze (CNN)

  • Vorstellung der CNNs: Grundprinzipien und Anwendungen
  • Grundlegende Funktionsweise eines CNNs: Faltungsschicht, Verwendung eines Kernels,
  • Padding & Stride, Erzeugung von Feature-Maps, Pooling-Schichten Erweiterungen 1D, 2D und 3D
  • Vorstellung der verschiedenen CNN-Architekturen, die den Stand der Technik in der Klassifikation gebracht haben
  • Bilder: LeNet, VGG-Netzwerke, Netzwerk im Netzwerk, Inception, Resnet Präsentation der Innovationen, die jede Architektur mit sich brachte, und deren globalere Anwendungen (Convolution 1x1 oder Residualverbindungen)
  • Anwendung eines Aufmerksamkeitsmodells
  • Anwendung auf einen allgemeinen Klassifikationsfall (Text oder Bild)
  • CNNs zur Generierung: Super-Resolution, Pixel-to-Pixel-Segmentierung Vorstellung von
  • Hauptstrategien zur Vergrößerung von Feature-Maps für die Bilderzeugung

Rekurrente Neuronale Netze (RNN)

  • Vorstellung von RNNs: Grundprinzipien und Anwendungen
  • Grundlegende Funktionsweise des RNN: versteckte Aktivierung, Rückpropagation durch die Zeit, Unfolded Version
  • Weiterentwicklungen zu den Gated Recurrent Units (GRUs) und LSTM (Long Short Term Memory)
  • Darstellung der verschiedenen Zustände und der Entwicklungen, die diese Architekturen mit sich bringen
  • Konvergenz- und Vanising-Gradient-Probleme
  • Klassische Architekturen: Vorhersage einer zeitlichen Reihe, Klassifikation
  • Architektur vom Typ RNN Encoder Decoder Verwendung eines Aufmerksamkeitsmodells
  • NLP-Anwendungen: Wort-/Zeichenkodierung, Übersetzung
  • Video-Anwendungen: Vorhersage des nächsten generierten Bildes einer Videosequenz

Generative Modelle: Variational AutoEncoder (VAE) und Generative Adversarial Networks (GAN)

  • Vorstellung der generativen Modelle, Verknüpfung mit den CNNs
  • Auto-Encoder: Reduktion der Dimensionalität und begrenzte Generierung
  • Variationaler Auto-Encoder: Generationsmodell und Approximation der Verteilung einer gegebenen Definition und Verwendung des latenten Raums Trick der Reparametrisierung Anwendungen und Grenzen beobachtet
  • Generative Adversarial Netze: Grundlagen
  • Duale Netzarchitektur (Generator und Diskriminator) mit alternativem Lernen, verfügbare Kostenfunktionen
  • Konvergenz eines GANs und aufgetretene Schwierigkeiten
  • Verbesserte Konvergenz: Wasserstein GAN, Angefangen Erdbewegte Entfernung
  • Anwendungen für die Generierung von Bildern oder Fotos, Texterzeugung, Super-Resolution

Deep Reinforcement Learning

  • Vorstellung von Reinforcement Learning: Steuerung eines Agenten in einer definierten Umgebung
  • Durch einen Zustand und mögliche Aktionen
  • Verwendung eines neuronalen Netzes zur Approximation der Zustandsfunktion
  • Deep Q Learning: Erfahrungswiedergabe und Anwendung auf die Steuerung eines Videospiels
  • Optimierung der Lernpolitik On-Policy && Off-Policy Akteurskritische Architektur A3C
  • Anwendungen: Steuerung eines einzelnen Videospiels oder eines digitalen SystemsDNN mit Tensorflow

TensorFlow-Grundlagen

  • Erstellen, Initialisieren, Speichern und Wiederherstellen von TensorFlow-Variablen
  • Füttern, Lesen und Vorladen von TensorFlow-Daten
  • Wie man die TensorFlow-Infrastruktur zum Trainieren von Modellen im großen Maßstab verwendet
  • Visualisieren und Auswerten von Modellen mit TensorBoard

TensorFlow Mechanik

  • Vorbereiten der Daten
  • Herunterladen von
  • Eingaben und Platzhalter
  • Den Graphen aufbauen
    • Inferenz
    • Verlust
    • Trainieren
  • Das Modell trainieren
    • Der Graph
    • Die Sitzung
    • Schleife trainieren
  • Auswerten des Modells
    • Erstellen des Auswertungsgraphen
    • Eval-Ausgabe

Das Perzeptron

  • Aktivierungsfunktionen
  • Der Perceptron-Lernalgorithmus
  • Binäre Klassifikation mit dem Perceptron
  • Dokumentenklassifikation mit dem Perceptron
  • Grenzen des Perceptrons

Vom Perceptron zur Support-Vektor-Maschine

  • Kerne und der Kernel-Trick
  • Maximum-Margin-Klassifikation und Support-Vektoren

Künstliche Neuronale Netze

  • Nichtlineare Entscheidungsgrenzen
  • Künstliche Neuronale Netze mit Vorwärtskopplung und Rückkopplung
  • Mehrschichtige Perceptrons
  • Minimierung der Kostenfunktion
  • Vorwärtspropagierung
  • Rückwärtspropagation
  • Verbessern der Lernweise neuronaler Netze

Faltungsneuronale Netze

  • Ziele
  • Modell-Architektur
  • Prinzipien
  • Code-Organisation
  • Starten und Trainieren des Modells
  • Evaluieren eines Modells

Grundlegende Einführungen in die folgenden Module (Übersichtsdarstellungen):

Tensorflow - Fortgeschrittene Verwendung

  • Threading und Warteschlangen
  • Verteiltes TensorFlow
  • Dokumentation schreiben und Ihr Modell teilen
  • Anpassen von Datenlesern
  • Manipulieren von TensorFlow-Modelldateien

TensorFlow Bedienen

  • Einführung
  • Grundlegendes Serving-Tutorial
  • Fortgeschrittenes Serving-Tutorial
  • Serving Inception Model Tutorial

Theano für Deep Learning

Theano-Grundlagen

  • Einführung
  • Installation und Konfiguration

Theano-Funktionen

  • Eingänge, Ausgänge, Updates, Givens

Training und Optimierung eines neuronalen Netzes mit Theano

  • Modellierung eines neuronalen Netzes
  • Logistische Regression
  • Versteckte Schichten
  • Trainieren eines Netzes
  • Berechnen und Klassifizieren
  • Optimierung
  • Log-Verlust

Seminar und Anbieter vergleichen

Öffentliche Schulung

Diese Seminarform ist auch als Präsenzseminar bekannt und bedeutet, dass Sie in unseren Räumlichkeiten von einem Trainer vor Ort geschult werden. Jeder Teilnehmer hat einen Arbeitsplatz mit virtueller Schulungsumgebung. Öffentliche Seminare werden in deutscher Sprache durchgeführt, die Unterlagen sind teilweise in Englisch.

Mehr dazu...

Inhausschulung

Diese Seminarform bietet sich für Unternehmen an, welche gleiche mehrere Teilnehmer gleichzeitig schulen möchten. Der Trainer kommt zu Ihnen ins Haus und unterrichtet in Ihren Räumlichkeiten. Diese Seminare können in Deutsch - bei Firmenseminaren ist auch Englisch möglich gebucht werden.

Mehr dazu...

Webinar

Diese Art der Schulung ist geeignet, wenn Sie die Präsenz eines Trainers nicht benötigen, nicht Reisen können und über das Internet an einer Schulung teilnehmen möchten.

Mehr dazu...

Fachbereichsleiter / Leiter der Trainer / Ihre Ansprechpartner

Seminardetails

   
Dauer: 5 Tage ca. 6 h/Tag, Beginn 1. Tag: 10:00 Uhr, weitere Tage 09:00 Uhr
Preis: Öffentlich oder Live Stream: € 2.995 zzgl. MwSt.
Inhaus: € 8.500 zzgl. MwSt.
Teilnehmeranzahl: min. 2 - max. 8
Voraussetzungen: Hintergrund in Physik, Mathematik und Programmierung. Die Teilnehmer sollten ein Vorverständnis für Konzepte des maschinellen Lernens haben und mit Python-Programmierung und -Bibliotheken gearbeitet haben.
Standorte: Stream Live, Inhaus/Firmenseminar, Berlin, Bremen, Darmstadt, Dresden, Erfurt, Essen, Flensburg, Frankfurt, Freiburg, Friedrichshafen, Hamburg, Hamm, Hannover, Jena, Kassel, Köln, Konstanz, Leipzig, Luxemburg, Magdeburg, Mainz, München, Münster, Nürnberg, Paderborn, Potsdam, Regensburg, Rostock, Stuttgart, Trier, Ulm, Wuppertal, Würzburg
Methoden: Vortrag, Demonstrationen, praktische Übungen am System
Seminararten: Öffentlich, Webinar, Inhaus, Workshop - Alle Seminare mit Trainer vor Ort, Webinar nur wenn ausdrücklich gewünscht
Durchführungsgarantie: ja, ab 2 Teilnehmern
Sprache: Deutsch - bei Firmenseminaren ist auch Englisch möglich
Seminarunterlage: Dokumentation auf Datenträger oder als Download
Teilnahmezertifikat: ja, selbstverständlich
Verpflegung: Kalt- / Warmgetränke, Mittagessen (wahlweise vegetarisch)
Support: 3 Anrufe im Seminarpreis enthalten
Barrierefreier Zugang: an den meisten Standorten verfügbar
  Weitere Informationen unter +49 (0) 208 451 99 012

Seminartermine

Die Ergebnissliste kann durch Anklicken der Überschrift neu sortiert werden.

SeminarStartdatumEnddatumOrtDauer
Konstanz5 Tage
Freiburg5 Tage
Potsdam5 Tage
Flensburg5 Tage
Leipzig5 Tage
Hamm5 Tage
Rostock5 Tage
Hamburg5 Tage
Luxemburg5 Tage
Hannover5 Tage
Stuttgart5 Tage
Dresden5 Tage
Madgeburg5 Tage
Regensburg5 Tage
Jena5 Tage
Trier5 Tage
München5 Tage
Friedrichshafen5 Tage
Kassel5 Tage
Ulm5 Tage
Münster5 Tage
Nürnberg5 Tage
Köln5 Tage
Wuppertal5 Tage
Bremen5 Tage
Berlin5 Tage
Mainz5 Tage
Erfurt5 Tage
Darmstadt5 Tage
Frankfurt5 Tage
Paderborn5 Tage
Essen5 Tage
Konstanz5 Tage
Freiburg5 Tage
Potsdam5 Tage
Flensburg5 Tage
Leipzig5 Tage
Hamm5 Tage
Rostock5 Tage
Hamburg5 Tage
Nach oben
© 2021 www.seminar-experts.de All rights reserved. | Webdesign | Kontakt | Impressum | Mobile Version | Nach oben