Schulungsübersicht
Einführung in das Deep Learning
- Was ist Deep Learning und wie unterscheidet es sich vom traditionellen Machine Learning?
- Anwendungsfelder in Computer Vision, NLP und darüber hinaus
- Überblick über die Deep-Learning-Ökosysteme: TensorFlow 2.x, Keras, PyTorch
- Einrichten einer GPU-beschleunigten Entwicklungsumgebung
Die Mechanismen des Deep Learning
- Künstliche Neuronen, Aktivierungsfunktionen und Netzwerk-Schichten
- Forward Propagation und Berechnung von Vorhersagen
- Verlustfunktionen für Klassifizierungs- und Regressionsaufgaben
- Gradient-Descent-Optimierung und Backpropagation
- Training Ihres ersten neuronalen Netzes am MNIST-Datensatz
Faltung-neuronale Netze für Computer Vision
- Verständnis von Faltung, Filtern und Merkmalskarten
- Pooling-Schichten und Dimensionsreduktion
- CNN-Architekturen: Konzepte von LeNet, VGG und ResNet
- Erstellung und Training eines CNNs zur Bildklassifizierung
- Visualisierung erlernter Merkmale und interner Aktivierungen
Datenerweiterung und Verbesserung der Modellgenauigkeit
- Warum Datenerweiterung Overfitting entgegenwirkt und die Generalisierung verbessert
- Bildtransformationen: Rotation, Spiegelung, Zoomen und Zuschneiden
- Implementierung von Augmentations-Pipelines mit Keras-Vorverarbeitungsschichten
- Dropout, Batch-Normalisierung und andere Regularisierungstechniken
- Überwachung des Trainings anhand von Validierungsmetriken und Early Stopping
Transfer Learning mit vortrainierten Modellen
- Verständnis von Transfer Learning und warum es funktioniert
- Laden vortrainierter Modelle aus Keras Applications (ResNet, EfficientNet, MobileNet)
- Merkmalsextraktion: Einfrieren der Basisschichten und Training neuer Klassifikatoren
- Fine-Tuning: selektives Entfrieren von Schichten für die Domänenanpassung
- Hohe Genauigkeit mit begrenzten Trainingsdaten erreichen
Rekurrente Netze und Sequenzmodellierung
- Einführung in sequenzielle Daten und zeitliche Abhängigkeiten
- Rekurrente neuronale Netze (RNNs) und das Problem des verschwindenden Gradienten
- LSTM- und GRU-Zellen für langreichweitige Abhängigkeiten
- Training eines zeichenebenen Textgenerierungsmodells
- Word Embeddings und die Embedding-Schicht in Keras
Grundlagen der natürlichen Sprachverarbeitung (NLP)
- Textvorverarbeitung: Tokenisierung, Padding und Aufbau des Wortschatzes
- Erstellung eines Textklassifizierers mit RNNs und LSTMs
- Sequenz-zu-Sequenz-Modelle für Konzepte der maschinellen Übersetzung
- Aufmerksamkeitsmechanismen und ihre Rolle in der modernen NLP
- Praktische NLP mit den Textverarbeitungs-APIs von TensorFlow 2.x
Abschlussprojekt: Bildunterschriften<\/strong>
- Kombination von Computer Vision und NLP in einer multimodalen Architektur
- Extrahieren von Bildmerkmalen mit einem vortrainierten CNN-Encoder
- Erstellen eines LSTM-basierten Decoders für die Generierung von Bildunterschriften
- Verwalten mehrerer Eingangsschichten in der Keras Functional API
- Training und Bewertung der End-to-End-Bildunterschriften-Pipeline
Weiterführende Schritte und Ressourcen
- Bereitstellung trainierter Modelle mit TensorFlow Serving
- Erkundung von Transformer-Architekturen und Large Language Models
- Fortgeschrittene Workshops und Zertifizierungspfade von NVIDIA DLI
- Gemeinde-Ressourcen, Datensätze und Projektideen
Voraussetzungen
- Grundkenntnisse in der Python-Programmierung (Funktionen, Schleifen, Dictionaries, Arrays)
- Vertrautheit mit Programmierkonzepten wie Variablen, Bedingungen und Datenstrukturen
- Keine Vorkenntnisse in Deep Learning oder Machine Learning erforderlich
Zielgruppe
- Softwareentwickler und Ingenieure, die in den Bereich KI und Machine Learning wechseln
- Datenanalysten und Datenwissenschaftler, die Deep-Learning-Fähigkeiten erwerben möchten
- Technische Fachkräfte, die neuronale Netzmodelle verstehen und anwenden möchten
- Studenten und Forscher, die ihre Reise im Deep Learning beginnen
Erfahrungsberichte (2)
Die Ausbildung war gut organisiert und strukturiert. Ich habe sie mit systematischem Wissen und einer fundierten Übersicht der behandelten Themen successfully absolviert.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurs - Deep Learning with TensorFlow 2
Maschinelle Übersetzung
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
