Schulungsübersicht
Einführung in das Deep Learning
- Was ist Deep Learning und wie unterscheidet es sich vom traditionellen Machine Learning?
- Anwendungsbereiche in der Computer Vision, NLP und darüber hinaus
- Überblick über das Deep-Learning-Ökosystem: TensorFlow 2.x, Keras, PyTorch
- Einrichten einer GPU-beschleunigten Entwicklungsumgebung
Die Mechanismen des Deep Learning
- Künstliche Neuronen, Aktivierungsfunktionen und Netzwerkschichten
- Forward Propagation und Berechnung von Vorhersagen
- Verlustfunktionen für Klassifikations- und Regressionsaufgaben
- Optimierung durch Gradientenabfall und Backpropagation
- Training Ihres ersten neuronalen Netzes am MNIST-Datensatz
Konvolutionale Neuronale Netze (CNNs) für Computer Vision
- Verständnis von Konvolution, Filtern und Feature Maps
- Pooling-Schichten und Dimensionsreduktion
- CNN-Architekturen: Konzepte von LeNet, VGG und ResNet
- Erstellung und Training eines CNNs für die Bildklassifizierung
- Visualisierung erlernter Features und intermediate Activations
Datenaugmentierung und Verbesserung der Modellgenauigkeit
- Warum Datenaugmentierung Overfitting bekämpft und die Generalisierung verbessert
- Bildtransformationen: Rotation, Spiegeln, Zoomen und Zuschneiden
- Implementierung von Augmentations-Pipelines mit Keras Preprocessing Layers
- Dropout, Batch Normalization und andere Regularisierungstechniken
- Überwachung des Trainings durch Validierungsmetriken und Early Stopping
Transfer Learning mit vorab trainierten Modellen
- Verständnis von Transfer Learning und dessen Funktionsweise
- Laden von vortrainierten Modellen aus Keras Applications (ResNet, EfficientNet, MobileNet)
- Feature Extraction: Einfrieren der Basis-Schichten und Training neuer Klassifikatoren
- Fine-Tuning: selektives Entfrozen von Schichten für die Domänenanpassung
- Erzielen hoher Genauigkeit mit begrenzten Trainingsdaten
Rekurrente Netze und Sequenzmodellierung
- Einführung in sequenzielle Daten und zeitliche Abhängigkeiten
- Rekurrente Neuronale Netze (RNNs) und das Problem des verschwindenden Gradienten
- LSTM- und GRU-Zellen für langreichweitige Abhängigkeiten
- Training eines zeichenbasierten Textgenerierungsmodells
- Word Embeddings und die Embedding-Schicht in Keras
Grundlagen der natürlichen Sprachverarbeitung (NLP)
- Textvorverarbeitung: Tokenisierung, Padding und Aufbau des Vokabulars
- Erstellen eines Textklassifizierers mit RNNs und LSTMs
- Sequenz-zu-Sequenz-Modelle für Maschinelle Übersetzung
- Aufmerksamkeitsmechanismen (Attention Mechanisms) und ihre Rolle in der modernen NLP
- Praktische NLP mit den Textverarbeitungs-APIs von TensorFlow 2.x
Abschlussprojekt: Image Captioning
- Kombination von Computer Vision und NLP in einer multimodalen Architektur
- Extrahieren von Bildfeatures mit einem vorab trainierten CNN-Encoder
- Erstellen eines LSTM-basierten Decoders zur Generierung von Beschriftungen
- Verwalten mehrerer Eingabeschichten in der Keras Functional API
- Training und Evaluierung der durchgehenden Captioning-Pipeline
Weitere Schritte und Ressourcen
- Bereitstellung trainierter Modelle mit TensorFlow Serving
- Erkundung von Transformer-Architekturen und Large Language Models
- NVIDIA DLI-Advanced-Workshops und Zertifizierungspfade
- Gemeinschaftsressourcen, Datensätze und Projektideen
Voraussetzungen
- Grundlegende Kenntnisse in der Python-Programmierung (Funktionen, Schleifen, Dictionaries, Arrays)
- Vertrautheit mit Programmierkonzepten wie Variablen, bedingten Anweisungen und Datenstrukturen
- Keine Vorerfahrung in Deep Learning oder Machine Learning erforderlich
Zielgruppe
- Softwareentwickler und Ingenieure, die in den Bereich KI und maschinelles Lernen wechseln möchten
- Datenanalysten und Data Scientists, die Deep-Learning-Fähigkeiten erwerben möchten
- Technische Fachkräfte, die neuronale Netzwerkmodelle verstehen und anwenden möchten
- Studierende und Forscher, die ihre Reise in das Deep Learning beginnen
Erfahrungsberichte (2)
Die Ausbildung war gut organisiert und strukturiert. Ich habe sie mit systematischem Wissen und einer fundierten Übersicht der behandelten Themen successfully absolviert.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurs - Deep Learning with TensorFlow 2
Maschinelle Übersetzung
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
