Erklärbarkeit im Deep Learning: Das Geheimnis von Black-Box-Modellen lüften Schulung

Dieses instructor-led, live Training in Österreich (online oder vor Ort) richtet sich an professionelle Fachkräfte auf fortgeschrittenem Niveau, die ihre Kenntnisse über XAI-Techniken für komplexe KI-Modelle vertiefen möchten.

Nach Abschluss dieses Kurses sind Teilnehmende in der Lage:

• Modernste XAI-Techniken in KI-Modelle zu implementieren.
• Deep-Learning-Modelle und deren Entscheidungen zu interpretieren.
• Fortgeschrittene modellagnostische und modellspezifische Erklärbarkeitsmethoden anzuwenden.
• Herausforderungen im Zusammenhang mit der KI-Transparenz in komplexen Systemen zu bewältigen.

Dieser Kurs behandelt KI (mit Schwerpunkt auf Machine Learning und Deep Learning) in der Automobilindustrie. Er hilft dabei zu bestimmen, welche Technologie in verschiedenen Situationen im Fahrzeug (potenziell) eingesetzt werden kann: von einfacher Automatisierung und Bilderkennung bis hin zur autonomen Entscheidungsfindung.

Durch die Erforschung der Grundlagen der künstlichen Intelligenz wird deutlich, wie intelligente Technologien die digitale Strategie, Automatisierung und Entscheidungsfindung in Unternehmensprozessen neu definieren. Der Kurs behandelt zentrale Konzepte, darunter die Geschichte der KI, Problemlösungsframeworks, Wissensrepräsentation, unsicheres Schließen sowie maschinelles Lernen im Kontext von Kommunikation, Wahrnehmung und autonomem Handeln. Er unterstützt Führungskräfte und Architekten dabei, transformative Möglichkeiten durch KI zu bewerten, neue Technologietrends einzuschätzen und praxisnahe intelligente Lösungen zu integrieren, um die Geschäftsfähigkeit zu beschleunigen.

Ein Künstliches Neuronales Netz ist ein rechnerisches Datenmodell, das zur Entwicklung von Systemen der Künstlichen Intelligenz (KI) eingesetzt wird und in der Lage ist, "intelligente" Aufgaben auszuführen. Neuronale Netze werden häufig in Anwendungen des Maschinellen Lernens (ML) genutzt, die wiederum eine Implementierungsform der KI darstellen. Deep Learning ist ein Teilgebiet des ML.

Dieser Kurs "Angewandte KI von Grund auf in Python" vermittelt Programmierern und Datenanalysten grundlegende Techniken zum Aufbau von ML-Lösungen von der Pike auf mit Python. Er behandelt die Kernprinzipien des überwachenden Lernens (Klassifikation und Regression), des unüberwachten Lernens (Clustering und Anomalieerkennung) sowie fortschrittlicher neuronaler Netzwerk-Architekturen. Der Kurs untersucht bewährte Methoden zur Arbeit mit scikit-learn, Apache Spark MLlib und Jupyter Notebooks für die praktische KI-Entwicklung. Er hilft Fachleuten bei der Implementierung praktischer ML-Modelle, der Bewertung von Algorithmen-Limitationen und der Durchführung angewandter Projekte zur Lösung realer Probleme.

Diese live vom Dozenten geleitete Schulung in Österreich (online oder vor Ort) bietet einen Einstieg in das Feld der Mustermanalyse und des maschinellen Lernens. Sie behandelt praktische Anwendungen in den Bereichen Statistik, Informatik, Signalverarbeitung, Computer Vision, Data Mining und Bioinformatik.

Nach Abschluss dieser Schulung können die Teilnehmer:

• Kernstatistische Methoden auf die Mustermanalyse anwenden.
• Schlüsselmodelle wie neuronale Netze und Kernel-Methoden für die Datenanalyse nutzen.
• Fortgeschrittene Techniken zur Lösung komplexer Probleme implementieren.
• Die Vorhersagegenauigkeit verbessern, indem verschiedene Modelle kombiniert werden.

Deep Reinforcement Learning (DRL) vereint die Prinzipien des Reinforcement Learnings mit Architekturen des Deep Learnings, um Agenten in die Lage zu versetzen, Entscheidungen durch Interaktion mit ihrer Umgebung zu treffen. DRL bildet die Grundlage zahlreicher moderner KI-Innovationen wie selbstfahrende Fahrzeuge, Robotiksteuerung, algorithmischer Handel und adaptive Empfehlungssysteme. Durch belohnungsbasiertes Lernen ermöglicht DRL einem künstlichen Agenten, Strategien zu erlernen, Richtlinien zu optimieren und autonome Entscheidungen auf Basis von Versuch und Irrtum zu treffen.

Dieses instruktorengestützte Live-Training (online oder vor Ort) richtet sich an Entwickler und Data Scientists mit mittlerem Erfahrungsstand, die Deep-Reinforcement-Learning-Techniken erlernen und anwenden möchten, um intelligente Agenten aufzubauen, die in komplexen Umgebungen autonom entscheiden können.

Nach Abschluss dieses Trainings sind die Teilnehmer in der Lage:

• Die theoretischen Grundlagen und mathematischen Prinzipien des Reinforcement Learnings zu verstehen.
• Wichtige RL-Algorithmen wie Q-Learning, Policy Gradients und Actor-Critic-Methoden zu implementieren.
• Deep-Reinforcement-Learning-Agenten mit TensorFlow oder PyTorch zu entwickeln und zu trainieren.
• DRL auf reale Anwendungen wie Spiele, Robotik und Entscheidungsfindungsoptimierung anzuwenden.
• Trainingsleistungen mithilfe moderner Tools zu debuggen, zu visualisieren und zu optimieren.

Kursformat

• Interaktive Vorträge und geführte Diskussionen.
• Praxisübungen und praktische Implementierungen.
• Live-Codedemonstrationen und projektbasierte Anwendungen.

Möglichkeiten zur Kursanpassung

• Um eine angepasste Version dieses Kurses anzufordern (z. B. unter Verwendung von PyTorch statt TensorFlow), kontaktieren Sie uns bitte, um die Details zu besprechen.

Dieser Kurs vermittelt Ihnen zunächst das konzeptionelle Wissen über neuronale Netzwerke und allgemein über Algorithmen des maschinellen Lernens sowie über Deep Learning (Algorithmen und Anwendungen).

Teil 1 (40 %) dieser Schulung legt den Schwerpunkt auf die Grundlagen, hilft Ihnen jedoch auch dabei, die richtige Technologie zu wählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Teil 2 (20 %) der Schulung führt in Theano ein – eine Python-Bibliothek, das das Schreiben von Deep-Learning-Modellen vereinfacht.

Teil 3 (40 %) der Schulung konzentriert sich stark auf TensorFlow – die API der Open-Source-Softwarebibliothek von Google für Deep Learning. Alle Beispiele und Hands-on-Übungen werden in TensorFlow durchgeführt.

Zielgruppe

Dieser Kurs richtet sich an Ingenieurinnen und Ingenieure, die TensorFlow für ihre Deep-Learning-Projekte einsetzen möchten.

Nach Abschluss dieses Kurses werden die Teilnehmer:

• ein gutes Verständnis von Deep Neural Networks (DNN), CNN und RNN haben
• die Struktur und Bereitstellungsmechanismen von TensorFlow verstehen
• in der Lage sein, Aufgaben zur Installation, Produktionsumgebung und Architektur sowie zur Konfiguration durchzuführen
• in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen und Monitoring zu betreiben
• in der Lage sein, fortgeschrittene produktionstaugliche Aufgaben wie das Trainieren von Modellen, das Erstellen von Graphen und Logging zu implementieren

Diese instructor-gesteuerte Live-Schulung in Österreich (online oder vor Ort) richtet sich an Berufstätige auf Anfängerniveau, die die Grundlagen der Explainable AI und deren Rolle bei der Entwicklung verantwortungsvoller KI-Systeme erlernen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die grundlegenden Konzepte von Explainable AI zu verstehen.
• Die Bedeutung von Transparenz und Interpretierbarkeit in KI-Modernen zu erkunden.
• Grundlegende Techniken zum Erklären von KI-Modelnen kennenzulernen.
• XAI-Techniken auf einfache maschinelle Lernmodelle anzuwenden.

Diese instruktionsgeleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Fachkräfte mit fortgeschrittenen Kenntnissen, die XAI-Techniken anwenden möchten, um Fairness, Transparenz und ethische KI-Systeme zu gewährleisten.

Am Ende dieser Schulung werden die Teilnehmenden in der Lage sein:

• Die Rolle von XAI in ethischen KI-Systemen zu verstehen.
• XAI-Techniken zur Erkennung und Minderung von Bias in KI-Modellen umzusetzen.
• Transparenz in den Entscheidungsprozessen von KI-Modellen sicherzustellen.
• Die KI-Entwicklung mit ethischen und regulatorischen Standards in Einklang zu bringen.

Diese vom Dozenten geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Fachkräfte auf fortgeschrittenem bis anfänger-fortgeschrittenem Niveau, die transparente KI-Systeme in realen Anwendungen implementieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Bedeutung von Transparenz in KI-Modellen zu verstehen.
• Fortschrittliche XAI-Techniken zur Interpretation komplexer Modelle zu implementieren.
• Die Modelltransparenz mithilfe von SHAP, LIME und anderen Tools zu erhöhen.
• Ethische Bedenken und Fairness in KI-Modellen anzugehen.