Kontakt aufnehmen

Schulungsübersicht

Einführung in die multimodale KI

  • Verstehen multimodaler Daten
  • Wichtige Konzepte und Definitionen
  • Geschichte und Entwicklung des multimodalen Lernens

Verarbeitung multimodaler Daten

  • Datenerfassung und Vorverarbeitung
  • Merkmalsextraktion aus verschiedenen Modalitäten
  • Datenfusionsverfahren

Repräsentationslernen multimodaler Daten

  • Gemeinsame Repräsentationen erlernen
  • Cross-modale Einbettungen (Embeddings)
  • Transferlernen über Modalitäten hinweg

Ausrichtung und Übersetzung multimodaler Daten

  • Ausrichtung von Daten aus mehreren Modalitäten
  • Cross-modale Retrieval-Systeme
  • Übersetzung zwischen Modalitäten (z. B. Text-zu-Bild, Bild-zu-Text)

Schlussfolgerungen und Logik bei multimodalen Daten

  • Logik und Schlussfolgerung mit multimodalen Daten
  • Inferenzverfahren in der multimodalen KI
  • Anwendungen im Bereich Question Answering und Entscheidungsfindung

Generative Modelle in der multimodalen KI

  • Generative Adversarial Networks (GANs) für multimodale Daten
  • Variational Autoencoders (VAEs) für die cross-modale Generierung
  • Kreative Anwendungen generativer multimodaler KI

Fusionsverfahren für multimodale Daten

  • Frühe, späte und hybride Fusionsmethoden
  • Aufmerksamkeitsmechanismen (Attention Mechanisms) in der multimodalen Fusion
  • Fusion für robuste Wahrnehmung und Interaktion

Anwendungen der multimodalen KI

  • Multimodale Mensch-Computer-Interaktion
  • KI in autonomen Fahrzeugen
  • Anwendungen im Gesundheitswesen (z. B. medizinische Bildgebung und Diagnostik)

Ethische Überlegungen und Herausforderungen

  • Verzerrung und Fairness in multimodalen Systemen
  • Datenschutzbedenken bei multimodalen Daten
  • Ethisches Design und Einsatz multimodaler KI-Systeme

Fortgeschrittene Themen der multimodalen KI

  • Multimodale Transformer
  • Self-supervised Learning in der multimodalen KI
  • Die Zukunft des multimodalen maschinellen Lernens

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von Künstlicher Intelligenz und Machine Learning
  • Kenntnisse in der Python-Programmierung
  • Vertrautheit mit Datenverarbeitung und -aufbereitung

Zielgruppe

  • KI-Forscher
  • Data Scientists
  • Machine-Learning-Ingenieure
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien