Vielen Dank für Ihre Anfrage! Einer unserer Mitarbeiter wird sich in Kürze mit Ihnen in Verbindung setzen.
Vielen Dank, dass Sie uns Ihre Buchung schicken! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Tag 1:
Grundlegend Machine Learning
Modul-1
Einleitung:
- Übung – Installieren von Python und NN-Bibliotheken
- Warum maschinelles Lernen?
- Kurze Geschichte des maschinellen Lernens
- Der Aufstieg des Deep Learning
- Grundlegende Konzepte des maschinellen Lernens
- Visualisierung eines Klassifikationsproblems
- Entscheidungsgrenzen und Entscheidungsbereiche
- iPython-Notizbücher
Modul-2
- Übung – Entscheidungsregionen
- Das künstliche Neuron
- Das neuronale Netz, Vorwärtsausbreitung und Netzschichten
- Aktivierungsfunktionen
- Übung – Aktivierungsfunktionen
- Rückwärtsfortpflanzung von Fehlern
- Unteranpassung und Überanpassung
- Interpolation und Glättung
- Extrapolation und Datenabstraktion
- Verallgemeinerung beim maschinellen Lernen
Modul-3
- Übung – Unteranpassung und Überanpassung
- Trainings-, Test- und Validierungssätze
- Datenverzerrung und das Problem der Negativbeispiele
- Verzerrung/Varianz-Kompromiss
- Übung – Datensätze und Verzerrungen
Modul-4
- Überblick über die NN-Parameter und Hyperparameter
- Logistische Regressionsprobleme
- Kostenfunktionen
- Beispiel – Regression
- Klassisches maschinelles Lernen vs. Deep Learning
- Schlussfolgerung
Tag-2: Faltungsanalyse Neural Networks (CNN)
Modul-5
- Einführung in CNN
- Was sind CNNs?
- Computer Sehen
- CNNs im täglichen Leben
- Bilder – Pixel, Quantisierung von Farbe & Raum, RGB
- Faltungsgleichungen und physikalische Bedeutung, kontinuierlich vs. diskret
- Übung – 1D-Faltung
Modul-6
- Theoretische Grundlage für die Filterung
- Signal als Summe von Sinusschwingungen
- Frequenzspektrum
- Bandpassfilter
- Übung – Frequenzfilterung
- 2D-Faltungsfilter
- Padding und Schrittlänge
- Filter als Bandpass
- Filter als Template-Matching
- Übung – Kantendetektion
- Gabor-Filter für die lokalisierte Frequenzanalyse
- Übung – Gabor-Filter als Schicht-1-Karten
Modul-7
- CNN-Architektur
- Faltungsschichten
- Max-Pooling-Schichten
- Downsampling-Schichten
- Rekursive Datenabstraktion
- Beispiel für rekursive Abstraktion
Modul-8
- Übung – Grundlegende CNN-Verwendung
- ImageNet-Datensatz und das VGG-16-Modell
- Visualisierung von Merkmalskarten
- Visualisierung von Merkmalsbedeutungen
- Übung – Merkmalskarten und Merkmalsbedeutungen
Tag-3: Sequenzmodell
Modul-9
- Was sind Sequenzmodelle?
- Warum Sequenzmodelle?
- Anwendungsfall der Sprachmodellierung
- Sequenzen in der Zeit vs. Sequenzen im Raum
Modul-10
- RNNs
- Rekurrente Architektur
- Backpropagation durch die Zeit
- Verschwindende Gradienten
- GRU
- LSTM
- Tiefes RNN
- Bidirektionales RNN
- Übung – Unidirektionales vs. Bidirektionales RNN
- Abtasten von Sequenzen
- Vorhersage der Sequenzausgabe
- Übung – Sequence Output Prediction
- RNNs bei einfachen zeitvariablen Signalen
- Übung – Grundlegende Erkennung von Wellenformen
Modul-11
- Natürliche Sprachverarbeitung (NLP)
- Word Einbettungen
- Word Vektoren: word2vec
- Word Vektoren: GloVe
- Wissenstransfer und Worteinbettungen
- Stimmungsanalyse
- Übung – Stimmungsanalyse
Modul-12
- Quantifizierung und Beseitigung von Verzerrungen
- Übung – Beseitigung von Verzerrungen
- Audio-Daten
- Strahlensuche
- Aufmerksamkeitsmodell
- Spracherkennung
- Auslösendes Wort Erkennung
- Übung – Speech Recognition
Voraussetzungen
Für die Teilnahme an diesem Kurs sind keine besonderen Voraussetzungen erforderlich.
21 Stunden