Deep Learning Schulungen in Frankfurt am Main

Diese von einem Trainer durchgeführte Live-Ausbildung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, Datenwissenschaftler und AI-Praktiker, die TensorFlow Lite für Edge AI-Anwendungen nutzen möchten.

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

• Grundlagen von TensorFlow Lite und dessen Rolle im Edge AI zu verstehen.
• AI-Modelle mit TensorFlow Lite entwickeln und optimieren.
• TensorFlow Lite-Modelle auf verschiedenen Edge-Geräten bereitstellen.
• Werkzeuge und Techniken für Modellumwandlung und -optimierung einsetzen.
• Praktische Edge AI-Anwendungen mit TensorFlow Lite implementieren.

Diese von einem Ausbilder geleitete, live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Verständnis des Computer Vision vertiefen und die Fähigkeiten von TensorFlow zur Entwicklung komplexer Vision-Modelle mit Google Colab erkunden möchten.

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

• Faltungsschicht-Neuronale Netze (CNNs) mit TensorFlow zu bauen und zu trainieren.
• Google Colab für skalierbare und effiziente, cloudbasierte Modellentwicklung zu nutzen.
• Bildvorverarbeitungstechniken für Computer Vision-Aufgaben zu implementieren.
• Computer Vision-Modelle für Anwendungen in der Praxis bereitzustellen.
• Übertragungslernen (Transfer Learning) zur Leistungssteigerung von CNN-Modellen zu nutzen.
• Die Ergebnisse von Bildklassifikationsmodellen zu visualisieren und zu interpretieren.

Diese von einem Trainer geleitete Live-Ausbildung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler und Entwickler, die Deep-Learning-Techniken im Umfeld von Google Colab verstehen und anwenden möchten.

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

• Google Colab für Deep-Learning-Projekte einrichten und bedienen.
• Grundlagen von neuronalen Netzen verstehen.
• Deep-Learning-Modelle mit TensorFlow implementieren.
• Deep-Learning-Modelle trainieren und bewerten.
• Erweiterte Funktionen von TensorFlow für das Deep Learning nutzen.

Diese Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die sich auf modernste Deep-Learning-Techniken für NLU spezialisieren möchten.

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

• Die Hauptunterschiede zwischen NLU- und NLP-Modellen zu verstehen.
• fortgeschrittene Deep-Learning-Techniken auf NLU-Aufgaben anzuwenden.
• Deep-Architekturen wie Transformatoren und Aufmerksamkeitsmechanismen zu erforschen.
• Zukünftige Trends in NLU für den Aufbau anspruchsvoller KI-Systeme zu nutzen.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die modernste XAI-Techniken für Deep-Learning-Modelle erforschen möchten, wobei der Schwerpunkt auf dem Aufbau interpretierbarer KI-Systeme liegt.

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

• Die Herausforderungen der Erklärbarkeit von Deep Learning zu verstehen.
• fortgeschrittene XAI-Techniken für neuronale Netze zu implementieren.
• Entscheidungen, die von Deep-Learning-Modellen getroffen werden, zu interpretieren.
• die Kompromisse zwischen Leistung und Transparenz zu bewerten.

Diese von einem Dozenten geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihre Kenntnisse und Fähigkeiten im Bereich Deep Learning für die Text-zu-Bild-Erzeugung erweitern möchten.

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

• Fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-Bild-Erzeugung zu verstehen.
• Komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese zu implementieren.
• Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle zu optimieren.
• Abstimmung von Hyperparametern für bessere Modellleistung und Generalisierung.
• Integration von Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools

Dieses von einem Trainer durchgeführte Live-Seminar in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die AI-Techniken einsetzen möchten, um den Prozess der Wirkstoffentdeckung und -entwicklung zu revolutionieren.

Am Ende des Seminars werden die Teilnehmer in der Lage sein:

• Die Rolle von KI in der Wirkstoffentdeckung und -entwicklung zu verstehen.
• Machine-Learning-Techniken anzuwenden, um molekulare Eigenschaften und Wechselwirkungen vorherzusagen.
• Deep-Learning-Modelle für die virtuelle Durchsicht und das Lead-Optimierung einsetzen.
• AI-gesteuerte Ansätze in den klinischen Studienprozess integrieren.

Dieser von einem Dozenten geleitete, live durchgeführte Kurs Frankfurt am Main (online oder vor Ort) richtet sich an Biologen, die verstehen möchten, wie AlphaFold funktioniert, und AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien nutzen möchten.

Am Ende dieses Trainings können die Teilnehmer:

• die grundlegenden Prinzipien von AlphaFold verstehen.
• lernen, wie AlphaFold funktioniert.
• lernen, AlphaFold-Vorhersagen und -Ergebnisse zu interpretieren.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Anfänger bis fortgeschrittene Datenwissenschaftler und Ingenieure für maschinelles Lernen, die die Leistung ihrer Deep-Learning-Modelle verbessern möchten.

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

• Die Prinzipien des verteilten Deep Learning zu verstehen.
• DeepSpeed installieren und konfigurieren.
• Deep-Learning-Modelle auf verteilter Hardware mit DeepSpeed skalieren.
• DeepSpeed-Funktionen zur Optimierung und Speichereffizienz zu implementieren und damit zu experimentieren.

Diese Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Entwickler, die Large Language Models für verschiedene natürlichsprachliche Aufgaben einsetzen möchten.

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

• Eine Entwicklungsumgebung einzurichten, die ein gängiges LLM enthält.
• Ein grundlegendes LLM zu erstellen und es auf einem benutzerdefinierten Datensatz fein abzustimmen.
• LLMs für verschiedene natürlichsprachliche Aufgaben wie Textzusammenfassung, Beantwortung von Fragen, Textgenerierung und mehr zu verwenden.
• LLMs mit Tools wie TensorBoard, PyTorch Lightning und Hugging Face Datasets debuggen und evaluieren.

Dieses vom Trainer geleitete Live-Training (online oder vor Ort) richtet sich an Datenwissenschaftler, Machine-Learning-Ingenieure und Computer-Vision-Forscher, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu generieren.

Bis zum Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• die Prinzipien von Stable Diffusion zu verstehen und zu erfassen, wie es für die Bildgenerierung funktioniert.
• Stable-Diffusion-Modelle für Bildgenerierungsaufgaben zu erstellen und zu trainieren.
• Stable Diffusion auf verschiedene Bildgenerierungsszenarien anzuwenden, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung.
• die Leistung und Stabilität von Stable-Diffusion-Modellen zu optimieren.

In diesem von einem Dozenten angeführten, lebendigen Training in Frankfurt am Main lernen die Teilnehmer die relevantesten und modernsten maschinellen Lernverfahren in Python kennen, während sie eine Reihe von Demoanwendungen mit Bildern, Musik, Texten und Finanzdaten erstellen.

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

• Maschinelles Lernen-Algorithmen und -techniken zur Lösung komplexer Probleme zu implementieren.
• Tiefes Lernen und semi-supervises Lernen auf Anwendungen mit Bildern, Musik, Texten und Finanzdaten anzuwenden.
• Python-Algorithmen bis an ihre Grenzen zu treiben.
• Bibliotheken und Pakete wie NumPy und Theano zu verwenden.

Angewandte KI von Grund auf in Python vermittelt Programmierern und Datenanalysten grundlegende Techniken zum Aufbau von Machine-Learning-Lösungen direkt mit Python. Behandelt die Kernprinzipien des überwachtem Lernens (Klassifikation und Regression), des unüberwachten Lernens (Clustering und Anomalieerkennung) sowie fortgeschrittener neuronalen Netzwerkarchitekturen. Untersucht bewährte Methoden zur Arbeit mit scikit-learn, Apache Spark MLlib und Jupyter-Notebooks für die praktische KI-Entwicklung. Hilft Fachkräften bei der Implementierung praktischer ML-Modelle, der Bewertung von Algorithmusgrenzen sowie der Umsetzung von Projekten zur Lösung realer Probleme.

Tiefes Reinforcement Learning (DRL) kombiniert Prinzipien des Reinforcement Learnings mit tiefen Lernarchitekturen, um Agenten zu ermöglichen, durch Interaktion mit ihrer Umgebung Entscheidungen zu treffen. Es bildet die Grundlage vieler moderner KI-Fortschritte wie autonomes Fahren, Robotiksteuerung, algorithmisches Handeln und adaptive Empfehlungssysteme. DRL ermöglicht es einem künstlichen Agenten, Strategien zu lernen, Richtlinien zu optimieren und auf der Grundlage von Ausprobier-und-Fehler-Lernen mit belohnungsbasiertem Lernen autonome Entscheidungen zu treffen.

Dieses von einem Dozenten geleitete Live-Training (online oder vor Ort) richtet sich an fortgeschrittene Entwickler und Data Scientists, die tiefes Reinforcement Learning erlernen und anwenden möchten, um intelligente Agenten zu erstellen, die in komplexen Umgebungen autonome Entscheidungen treffen können.

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

• Die theoretischen Grundlagen und mathematischen Prinzipien des Reinforcement Learnings zu verstehen.
• Schlüsselalgorithmen des RL, einschließlich Q-Learning, Policy Gradients und Actor-Critic-Methoden, umzusetzen.
• Tiefe Reinforcement Learning-Agenten mit TensorFlow oder PyTorch zu bauen und zu trainieren.
• DRL auf Anwendungen wie Spiele, Robotik und Entscheidungsoptimierung anzuwenden.
• Mit modernen Werkzeugen Probleme zu beheben, die Trainingsleistung zu visualisieren und zu optimieren.

Kursformat

• Interaktive Vorlesung und geleitete Diskussion.
• Anwendungsübungen und praktische Implementierungen.
• Livedemos und projektorientierte Anwendungen.

Kursanpassungsmöglichkeiten

• Um eine angepasste Version dieses Kurses anzufordern (z.B. PyTorch anstelle von TensorFlow), kontaktieren Sie uns bitte.

Die Auseinandersetzung mit den Grundlagen der Künstlichen Intelligenz zeigt auf, wie intelligente Technologien die digitale Strategie, Automatisierung und Entscheidungsfindung in Unternehmensabläufen neu gestalten. Der Kurs untersucht zentrale Konzepte, die sich mit der Geschichte der KI, Problemlösungsansätzen, Wissensrepräsentation, Schlussfolgerung bei Unsicherheit und Maschinenlernparadigmen befassen, sowie mit den Bereichen Kommunikation, Wahrnehmung und autonomes Handeln. Er führt Führungskräfte und Architekten dabei an, KI-gestützte Transformationsoptionen zu evaluieren, neue Technologieentwicklungstrends zu bewerten und praktische intelligente Lösungen zu integrieren, um die unternehmerische Agilität zu steigern.

Dieser Kurs umfasst AI (emphasizing Machine Learning und Deep Learning) in Automotive Industrie. Es hilft zu bestimmen, welche Technologie (potenziell) in mehreren Situationen in einem Auto verwendet werden kann: von einfacher Automatisierung, Bilderkennung bis hin zu autonomen Entscheidungsfindung.

Ein künstliches neuronales Netz ist ein Datenmodell, das bei der Entwicklung von Artificial Intelligence (AI) Systemen verwendet wird, die in der Lage sind, "intelligente" Aufgaben auszuführen. Künstliche Neuronale Netze Neural Networks werden häufig in Machine Learning (ML)-Anwendungen verwendet, die ihrerseits eine Implementierung von KI sind. Deep Learning ist eine Teilmenge von ML.

Diese von einem Dozenten geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Forscher und Entwickler, die mit Chainer neuronale Netze in Python aufbauen und trainieren wollen und dabei den Code leicht debuggen können.

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

• die notwendige Entwicklungsumgebung einzurichten, um mit der Entwicklung neuronaler Netzmodelle zu beginnen.
• Neuronale Netzmodelle unter Verwendung eines verständlichen Quellcodes zu definieren und zu implementieren.
• Beispiele auszuführen und bestehende Algorithmen zu modifizieren, um Deep-Learning-Trainingsmodelle zu optimieren und dabei GPUs für hohe Leistung zu nutzen.

Dieser von einem Trainer geführte Live-Kurs in Frankfurt am Main (online oder vor Ort) bietet eine Einführung in das Gebiet der Mustererkennung und maschinellem Lernen. Er berührt praktische Anwendungen in Statistik, Informatik, Signalverarbeitung, Computer Vision, Datenanalyse und Bioinformatik.

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

• Kernstatistische Methoden auf Mustererkennung anzuwenden.
• Schlüsselmodelle wie neuronale Netzwerke und Kerntechniken zur Datenanalyse zu verwenden.
• Fortgeschrittene Techniken für komplexe Problemlösungen umzusetzen.
• Durch die Kombination verschiedener Modelle die Vorhersagegenauigkeit zu verbessern.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Forscher und Entwickler, die die DeepMind Lab-Plattform installieren, einrichten, anpassen und nutzen möchten, um allgemeine Systeme für künstliche Intelligenz und maschinelles Lernen zu entwickeln.

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

• DeepMind Lab anzupassen, um eine Umgebung zu erstellen und zu betreiben, die den Lern- und Trainingsanforderungen entspricht.
• die 3D-Simulationsumgebung von DeepMind Lab zu nutzen, um Lernagenten in der Ich-Perspektive zu trainieren.
• Erleichterung der Agentenbewertung zur Entwicklung von Intelligenz in einer spielähnlichen 3D-Welt.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Business-Analysten, Datenwissenschaftler und Entwickler, die Deep-Learning-Modelle erstellen und implementieren möchten, um das Umsatzwachstum zu beschleunigen und Probleme in der Geschäftswelt zu lösen.

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

• Die Kernkonzepte des maschinellen Lernens und des Deep Learning zu verstehen.
• Einblicke in die Zukunft der Wirtschaft und Industrie mit ML und DL erhalten.
• Geschäftsstrategien und Lösungen mit Deep Learning zu definieren.
• Lernen, wie man Data Science und Deep Learning für die Lösung von Geschäftsproblemen einsetzt.
• Erstellen von Deep-Learning-Modellen mit Python, Pandas, TensorFlow, CNTK, Torch, Keras, etc.

Diese vom Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Data Scientists, die Echtzeit-Machine-Learning-Anwendungen beschleunigen und im großen Maßstab bereitstellen möchten.

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

• Das OpenVINO-Toolkit zu installieren.
• Eine Computer-Vision-Anwendung mithilfe eines FPGAs zu beschleunigen.
• Unterschiedliche CNN-Schichten auf dem FPGA auszuführen.
• Die Anwendung über mehrere Knoten in einem Kubernetes-Cluster zu skalieren.

Dieses von einem Trainer angeleitete Live-Training in Frankfurt am Main (online oder vor Ort) richtet sich an Data Scientists, die TensorFlow verwenden möchten, um potenzielle Betrugsdaten zu analysieren.

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

• Ein Betrugsdetektionsmodell in Python und TensorFlow zu erstellen.
• Lineare Regressionen und lineare Regressionsmodelle zur Vorhersage von Betrug aufzubauen.
• Eine end-to-end-KI-Anwendung zur Analyse von Betrugsdaten zu entwickeln.

Dieses von einem Dozenten geleitete, Live-Training in Frankfurt am Main (online oder vor Ort) richtet sich an Entwickler oder Data Scientists, die Horovod verwenden möchten, um verteilte Deep-Learning-Schulungen durchzuführen und diese auf mehrere parallel arbeitende GPUs zu skalieren.

Bis zum Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• die notwendige Entwicklungsumgebung einzurichten, um mit Deep-Learning-Schulungen zu beginnen.
• Horovod zu installieren und zu konfigurieren, um Modelle mit TensorFlow, Keras, PyTorch und Apache MXNet zu trainieren.
• Deep-Learning-Schulungen mit Horovod so zu skalieren, dass sie auf mehreren GPUs ausgeführt werden.

In diesem von einem Dozenten geleiteten Live-Training lernen die Teilnehmer, wie sie mit MATLAB ein Convolutional Neural Network (CNN) für die Bilderkennung entwerfen, erstellen und visualisieren können.

Am Ende dieses Trainings können die Teilnehmer:

• Ein Deep-Learning-Modell erstellen
• Die Datenbeschriftung automatisieren
• Mit Modellen aus Caffe und TensorFlow-Keras arbeiten
• Modelle mit mehreren GPUs, der Cloud oder Clustern trainieren

Zielgruppe

• Entwickler
• Ingenieure
• Fachexperten

Kursformat

• Vortrag, Diskussion, Übungen und intensive Praxis

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Softwareingenieure, die in Python mit OpenCV 4 für Deep Learning programmieren möchten.

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

• Bilder und Videos mit OpenCV 4 betrachten, laden und klassifizieren.
• Deep Learning in OpenCV 4 mit TensorFlow und Keras zu implementieren.
• Deep-Learning-Modelle auszuführen und aussagekräftige Berichte aus Bildern und Videos zu erstellen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer fortgeschrittene Techniken für Machine Learning mit R kennen, während sie Schritt für Schritt eine reale Anwendung erstellen.

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

• Verstehen und Implementieren von Techniken des unüberwachten Lernens
• Clustering und Klassifizierung anwenden, um Vorhersagen auf der Grundlage realer Daten zu treffen.
• Daten visualisieren, um schnell Erkenntnisse zu gewinnen, Entscheidungen zu treffen und Analysen weiter zu verfeinern
• Verbessern Sie die Leistung eines Modells für maschinelles Lernen mit Hilfe von Hyper-Parameter-Tuning.
• Ein Modell zur Verwendung in einer größeren Anwendung in Betrieb nehmen.
• Fortgeschrittene Techniken des maschinellen Lernens anwenden, um Fragen zu beantworten, die soziale Netzwerkdaten, Big Data und mehr betreffen.

Dieses von einem Dozenten angeleitete Live-Training in Frankfurt am Main (online oder vor Ort) richtet sich an Entwickler und Data Scientists, die TensorFlow 2.x verwenden möchten, um Vorhersagemodelle, Klassifikatoren, generative Modelle, neuronale Netze usw. zu erstellen.

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

• TensorFlow 2.x zu installieren und zu konfigurieren.
• Die Vorteile von TensorFlow 2.x gegenüber früheren Versionen zu verstehen.
• Tiefe Lernmodelle aufzubauen.
• Einen fortgeschrittenen Bildklassifikator umzusetzen.
• Ein tiefes Lernmodell in die Cloud, auf mobile Geräte und IoT-Geräte zu deployen.

Dieser Kurs beginnt mit der Vermittlung konzeptionellen Wissens über neuronale Netze und Maschinelles Lernen, einschließlich Deep Learning (Algorithmen und Anwendungen).

Teil 1 (40%) dieser Schulung fokussiert sich auf die Grundlagen, unterstützt Sie aber dabei, die richtige Technologie auszuwählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Teil 2 (20%) dieser Schulung führt in Theano ein - eine Python-Bibliothek, die das Schreiben von Deep-Learning-Modellen erleichtert.

Teil 3 (40%) der Schulung basiert weitgehend auf TensorFlow - der API von Googles Open-Source-Softwarebibliothek für Deep Learning. Die Beispiele und praktischen Übungen werden allesamt in TensorFlow durchgeführt.

Zielgruppe

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

Nach Abschluss dieses Kurses werden die Teilnehmer:

• tiefes Verständnis von tiefen neuronalen Netzen (DNN), CNN und RNN haben
• die Struktur und Bereitstellungsmechanismen von TensorFlow verstehen
• Installation, Produktionsumgebung, Architekturaufgaben und Konfiguration durchführen können
• die Codequalität bewerten, Debugging und Monitoring durchführen können
• fortgeschrittene Produktionsaufgaben wie das Training von Modellen, die Erstellung von Graphen und das Logging implementieren können