Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
TAG 1 – KÜNSTLICHE NEURONALE NETZE
Einführung und Struktur künstlicher neuronaler Netze.
- Biologische Neuronen im Vergleich zu künstlichen Neuronen.
- Aufbau eines künstlichen neuronalen Netzes.
- Verwendete Aktivierungsfunktionen in solchen Netzen.
- Häufig vorkommende Netzarchitekturen.
Mathematische Grundlagen sowie Lernmechanismen.
- Wiederholung der Vektor- und Matrixalgebra.
- Konzepte des Zustandsraums.
- Grundlagen der Optimierung.
- Lernverfahren zur Fehlerkorrektur.
- Lernen auf Basis gespeicherter Erfahrungen.
- Hebb’sche Lernregeln.
- Konkurrenzlernprozesse.
Einlagige Perzeptronen.
- Aufbau und Funktionsweise von Perzeptronen.
- Musterklassifizierung – Grundlagen sowie Bayes-Klassifikatoren.
- Das Perzeptron als Werkzeug zur Musterklassifizierung.
- Bedingungen für die Konvergenz von Perzeptronen.
- Grenzen der Anwendbarkeit von Perzeptronen.
Vorwärtsgerichtete künstliche neuronale Netze.
- Aufbau mehrlagiger vorwärtsgerichteter Netze.
- Der Backpropagation-Algorithmus.
- Trainingsprozess und Konvergenzbedingungen bei Backpropagation.
- Funktionenapproximation mittels Backpropagation.
- Praktische Aspekte sowie Gestaltungserwägungen beim Training mit Backpropagation.
Netze mit Radialbasisfunktionen.
- Musterselektion und Interpolation mittels solcher Netze.
- Grundlagen der Regularisierungstheorie.
- Zusammenhang zwischen Regularisierung und RBF-Netzen.
- Gestaltung sowie Trainingsverfahren für RBF-Netze.
- Eigenschaften der Approximation in RBF-Netzen.
Konkurrenzlernen und selbstorganisierende neuronale Netze.
- Allgemeine Verfahren zum Clustering.
- Learning Vector Quantization (LVQ).
- Algorithmen und Architekturen des Konkurrenzlernens.
- Selbstorganisierende Merkmalskarten.
- Eigenschaften solcher Merkmalskarten.
Fuzzy-Neuronale Netze.
- Neuro-Fuzzy-Systeme und ihre Funktion.
- Grundlagen unscharfer Mengen sowie der Fuzzy-Logik.
- Ausgestaltung fuzzy-basierter Komponenten.
- Gestaltung von Fuzzy-Neuronale Netzen.
Anwendungen
- Es werden einige konkrete Anwendungsbeispiele für neuronale Netze vorgestellt, samt deren Vorzügen und möglichen Problemen.
TAG 2 – MASCHINELLES LERNEN
- Das PAC-Lernmodell
- Garantien bei endlich vielen Hypothesensätzen – konsistenter Fall
- Garantien bei endlich vielen Hypothesensätzen – inkonsistenter Fall
- Allgemeine Aspekte
- Deterministische vs. stochastische Szenarien
- Rauschen und Bayes’scher Fehler
- Schätz- sowie Approximationsfehler
- Auswahl des geeigneten Modells
- Vapnik-Chervonenkis-Dimension sowie Rademacher-Komplexität.
- Beziehung zwischen Bias und Varianz.
- Verfahren der Regularisierung.
- Gefahr des Overfitting’s.
- Möglichkeiten zur Validierung.
- Support Vector Machines.
- Kriging bzw. Regressionsverfahren auf Basis Gaußscher Prozesse.
- PCA sowie Kernel-PCA.
- Selbstorganisierende Karten (SOM).
- Vektorraumkonstruktion durch Kernel-Methoden
- Mercer-Kerneln und daraus resultierende Ähnlichkeitsmaße
- Reinforcement Learning.
TAG 3 – TIEFES LERNEN
Dieses Thema wird im Kontext der Inhalte aus Tag 1 und Tag 2 erläutert.
- Logistische Regression sowie Softmax-Regression.
- Sparse Autoencoder-Verfahren.
- Vektorisierung, PCA sowie Whitening-Methoden.
- Prinzip des selbstgesteuerten Lernens.
- Aufbau und Einsatz tiefer neuronaler Netze.
- Lineare Decoder-Strukturen.
- Konvolutions- sowie Pooling-Mechanismen.
- Sparse Coding-Verfahren.
- Unabhängige Komponentenanalyse.
- Kanonische Korrelationsanalyse.
- Praktische Demonstrationen und Beispiele aus der Praxis.
Voraussetzungen
Gute Kenntnisse in Mathematik sind erforderlich.
Solides Verständnis grundlegender statistischer Konzepte ist notwendig.
Grundlegende Programmierkenntnisse sind zwar nicht zwingend erforderlich, werden jedoch empfohlen.
21 Stunden
Erfahrungsberichte (2)
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
