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
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Kombinierte Kurse

Verwandte Kategorien