Beschreibung
Deep Learning (DL) ist ein sich schnell entwickelnder Bereich der
Künstlichen Intelligenz, der erstaunliche Ergebnisse bei der Ausführung von
Aufgaben gezeigt hat, die traditionell nur von Menschen gut ausgeführt
werden. Beispiele für solche Aufgaben sind die Gesichts-, Objekt- oder
Spracherkennung z. B. bei der medizinischen Bilderkennung, Text- und
Spracherkennung im Vertrieb, bei der IT-Datensicherheit oder beim
Monitoring von Finanztransaktionen. Diese Methoden kommen auch zum Einsatz
bei der Bildklassifizierung, der Erstellung von Bildbeschreibungen in
natürlicher Sprache, der Übersetzung in andere Sprachen sowie der
Umwandlung von Sprache in Text und von Text in Sprache. Das Ziel von Deep
Learning ist es, Computer in die Lage zu versetzen, komplexe Aufgaben zu
lösen beispielsweise Tumore auf einem MRT-Bildschirm zu erkennen, Menschen
oder Gegenstände in einem Video zu identifizieren, Texte zu interpretieren
und zusammenzufassen. Deep-Learning-Modelle können im Vergleich zu anderen
Ansätzen des maschinellen Lernens bessere, schnellere, kostengünstigere und
wertvollere Vorhersagen liefern. Vorhersagemodelle (z. B.
Bedarfsprognosen), die auf tiefen künstlichen neuronalen Netzen basieren,
können nichtlineare Beziehungen erkennen und komplexe Muster herausfinden.
Hinweis zum Ablauf
Garantierte Durchführung ab 1 Teilnehmenden
Zielgruppe
Dieser Kurs richtet sich an angehende Deep-Learning-Ingenieur:innen
(Informatiker:innen, Software-Ingenieur:innen), die sich mit den Bausteinen
von Deep Learning vertraut machen wollen. Es sind keine Vorkenntnisse im
Bereich Neuronaler Netze oder maschinelles Lernen erforderlich. Eine
gewisse Vertrautheit mit linearer Algebra und Python-Programmierung wird
vorausgesetzt.
Zielsetzung
Dieser Kurs richtet sich an Einsteiger:innen im Bereich Deep Learning, die
eine solide Grundlage der wichtigsten Konzepte suchen, die für die
Erstellung von Deep-Learning-Modellen mit bekannten Methoden erforderlich
sind. Der Kurs geht davon aus, dass Sie zuvor keine umfangreichen
Erfahrungen mit neuronalen Netzen und Deep Learning gemacht haben und
beginnt mit einer Übersicht über die für Deep Learning erforderlichen
Grundlagen des maschinellen Lernens. Dann wird erklärt, wie man Daten durch
Bereinigung und Vorverarbeitung für Deep Learning vorbereitet, und es
werden nach und nach neuronale Netze und die überwachten neuronalen
Netzarchitekturen wie Convolutional Neural Networks (CNNs), Recurrent
Neural Networks (RNNs) und Generative Adversarial Networks (GANs) sowie
unüberwachte Architekturen wie Autoencoder (AEs), Variational Autoencoder
(VAEs) und Restricted Boltzmann Machines (RBMs) und Transformer
vorgestellt.
Zu den praktischen Anwendungen werden die Klassifizierung von Texten in
vordefinierte Kategorien, die syntaktische Analyse, die Stimmungsanalyse,
die synthetische Generierung von Text und das Tagging von
Sprachbestandteilen behandelt. Im Rahmen der Bildverarbeitung werden die
Klassifizierung von Bildern in verschiedene Kategorien und der
fortgeschrittenen Objekterkennung mit zugehörigen Bildkommentaren sowie die
Generierung von Bildern mithilfe von Autoencodern und GANs in Programmcode
(Python) umgesetzt.
Hinweis für Menschen mit Behinderungen
Das Schulungszentrum ist barrierefrei, die Schulungen werden auch als Online-Schulung angeboten.
Hinweise zur Prüfung und Zertifikat/Abschluss
Teilnahmebescheinigung und digitales Badge nach dem Kurs
Förderungsmöglichkeiten
Bildungsscheck NRW
Preishinweis
Preis inkl. MwSt.
Preisvorteil 3=2: Der Dritte Mitarbeitende nimmt kostenfrei teil. 
