Mustererkennung Schulung

Dieser Kurs behandelt den Einsatz von KI – insbesondere Maschinelernen und Tiefes Lernen – in der Automobilindustrie. Er hilft dabei zu erkennen, welche Technologien potenziell in vielen verschiedenen Anwendungsbereichen im Auto eingesetzt werden können: von einfacher Automatisierung über Bildverarbeitung bis hin zur autonomen Entscheidungsfindung.

Ein Blick auf die Grundlagen der künstlichen Intelligenz verdeutlicht, wie diese intelligente Technologie digitale Strategien, Automatisierung sowie Entscheidungsprozesse in Unternehmen nachhaltig prägt. Dabei werden zentrale Konzepte behandelt – darunter die Geschichte der KI, Methoden zur Problemlösung, Wissensrepräsentation, probabilistisches Schließen und verschiedene Ansätze des maschinellen Lernens – sowie Aspekte wie Kommunikation, Wahrnehmung und autonomes Handeln. Dieses Angebot hilft Führungskräften und Architekten dabei, Chancen für eine KI-gestützte Transformation zu erkennen, aktuelle technologische Entwicklungen zu bewerten sowie praktikable intelligente Lösungen zur Steigerung der Geschäftsagilität zu implementieren.

Künstliche neuronale Netze stellen ein computergestütztes Datenmodell dar, das zur Entwicklung von KI-Systemen dient, die in der Lage sind, „intelligente“ Aufgaben zu erledigen. Solche Netze finden häufig Anwendung in Verfahren des maschinellen Lernens, welche wiederum eine Form der künstlichen Intelligenz darstellen. Tiefes Lernen bildet dabei ein Untergebiet des maschinellen Lernens.

Dieser Kurs vermittelt Programmierern und Datenanalysten grundlegende Techniken zum Aufbau von Machine-Learning-Lösungen aus der Grundlage heraus mithilfe von Python. Er behandelt die wesentlichen Konzepte des überwachten Lernens in Form von Klassifikation und Regression sowie das unüberwachte Lernen mit Clustering- und Anomalieerkennungsverfahren. Ebenso werden fortgeschrittene Architekturen neuronaler Netzwerke behandelt. Die Teilnehmer lernen bewährte Methoden zur Nutzung von scikit-learn, Apache Spark MLlib sowie Jupyter-Notebooks für die praktische Entwicklung von KI-Anwendungen kennen. Am Ende sind die Teilnehmer in der Lage, sinnvolle Machine-Learning-Modelle zu implementieren, Grenzen bestehender Algorithmen zu bewerten und konkrete Projekte zur Problemlösung im realen Kontext umzusetzen.

Das Deep Reinforcement Learning (DRL) vereint die Grundsätze des Reinforcement Learnings mit Architekturen des Deep Learnings, um es Agenten zu ermöglichen, durch Interaktion mit ihrer Umgebung Entscheidungen zu treffen. Es bildet die Grundlage vieler moderner Fortschritte in der Künstlichen Intelligenz – etwa bei autonomen Fahrzeugen, der Robotiksteuerung, algorithmischem Handel sowie adaptiven Empfehlungssystemen. Mithilfe von Belohnungslernung kann ein künstlicher Agent Strategien erlernen, seine Vorgehensweisen optimieren und auf Basis von Versuch und Irrtum autonom handeln.

Dieses praxisorientierte Live-Training unter Anleitung eines Dozenten (online oder vor Ort) richtet sich an Entwickler sowie Datenwissenschaftler mittleren Kenntnisniveaus, die Deep Reinforcement Learning verstehen und anwenden möchten, um intelligente Agenten zu entwickeln, welche in komplexen Umgebungen eigenständig entscheiden können.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Die theoretischen Grundlagen sowie mathematischen Prinzipien des Reinforcement Learnings zu verstehen.
• Wichtige RL-Algorithmen wie Q-Learning, Policy Gradients und Actor-Critic-Verfahren umzusetzen.
• Deep Reinforcement Learning-Agenten mithilfe von TensorFlow oder PyTorch zu erstellen und zu trainieren.
• DRL auf reale Anwendungsbereiche anzuwenden – etwa bei Spielen, in der Robotik oder zur Optimierung von Entscheidungen.
• Mit Hilfe moderner Werkzeuge Probleme zu beheben sowie die Trainingsergebnisse zu visualisieren und weiter zu optimieren.

Ablauf des Kurses

• Interaktive Vorlesungen sowie moderierte Diskussionen.
• Praktische Übungen und Hand-on-Implementierungen.
• Live-Coding-Demonstrationen und anwendungsorientierte Projektarbeiten.

Möglichkeiten zur Anpassung des Kurses

• Wenn Sie eine individuell angepasste Variante dieses Kurses wünschen – etwa die Verwendung von PyTorch statt TensorFlow – kontaktieren Sie uns bitte, um dies zu vereinbaren.

Dieser Kurs vermittelt Ihnen zunächst grundlegendes Wissen über neuronale Netze sowie allgemein über Algorithmen des maschinellen Lernens und des Deep Learnings – sowohl deren Mechanismen als auch Anwendungsmöglichkeiten.

Der erste Teil (40 %) des Trainings konzentriert sich auf die Grundlagen, hilft Ihnen aber dabei, die richtige Technologie zu wählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Im zweiten Abschnitt (20 %) wird Theano vorgestellt – eine Python-Bibliothek, die das Erstellen von Modellen im Bereich des Deep Learnings erheblich vereinfacht.

Der dritte Teil (40 %) basiert hauptsächlich auf TensorFlow, der von Google bereitgestellten Open-Source-Bibliothek für Deep Learning. Alle Beispiele sowie praktischen Übungen werden unter Verwendung von TensorFlow durchgeführt.

Zielgruppe

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

Nach Abschluss des Kurses werden die Teilnehmenden:

• ein gutes Verständnis von tiefen neuronalen Netzen (DNN), CNN sowie RNN erlangt haben
• die Struktur und Bereitstellungsmechanismen von TensorFlow kennen lernen
• Installationen, Konfigurationen sowie Aufgaben im Produktionsumfeld bewältigen können
• Codequalität bewerten sowie Fehler finden und überwachen können
• fortgeschrittene Produktionsaufgaben wie Training von Modellen, Erstellung von Rechengraphiken und Protokollierung umsetzen können

Dieses von einem Experten geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Fachkräfte auf fortgeschrittenem Niveau, die moderne XAI-Techniken für Deep Learning-Modelle kennenlernen möchten, mit besonderem Augenmerk auf den Aufbau verständlicher KI-Systeme.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Die Herausforderungen im Zusammenhang mit der Erklärbarkeit im Deep Learning zu verstehen.
• Fortschrittliche XAI-Techniken für neuronale Netze erfolgreich anzuwenden.
• Entscheidungen von Deep Learning-Modellen nachvollziehbar interpretieren zu können.
• Die Abwägungen zwischen Leistungsfähigkeit und Transparenz zu bewerten.