Deep Learning ist der momentan stärkste Motor für Innovationen im Bereich künstliche Intelligenz. Dabei hinkt die praktische Umsetzung oft immer noch Jahre hinter dem Stand der Forschung her. Hier existiert viel Potential für einen Wettbewerbsvorteil. TensorFlow 2 ist in der industriellen Entwicklung das mit Abstand am weitesten verbreitete Framework für Deep Learning und somit erste Wahl.
In diesem Seminar erhalten Sie einen kompakten Überblick über die wichtigsten Themen im Bereich Deep Learning. Etwa die Hälfte der Zeit werden wir uns mit der konkreten Implementierung von Deep Learning mit TensorFlow 2 beschäftigen. Sie erhalten damit neben einer Einführung in alle wichtigen Konzepte die Fähigkeit zur Entwicklung von einen Neuronalen Netzwerken und einen Überblick wann welcher Ansatz geeignet ist.
Agenda
Den größten Teil nimmt das Supervised Deep Learning auf unterschiedlichen Anwendungsgebieten ein. Dabei wird ein neuronales Netz mit passenden Werten aus Ein- und Ausgaben trainiert und lernt so ein vorgegebenes Verhalten nachzuahmen. Beim Unsupervised Deep Learning lernen spezielle neuronale Netzwerke Zusammenhänge aus gegebenen Daten, ohne dass richtige Antworten durch Menschen gegeben werden müssen. Dadurch können z.B. Anomalien, Ausreißer und Gemeinsamkeiten erkannt, realistische Arterfakte erzeugt und Fehler in Daten korrigiert werden. Im Deep Reinforcement Learning reicht es, ein Problem zu beschreiben und der Maschine Experimente innerhalb einer kontrollierten Umgebung zu erlauben.
Dieses Seminar hilft Ihnen dabei, die richtige Form von Deep Learning auszuwählen und praktisch umzusetzen.
Inhalte
- Einführung in neuronale Netzwerke mit TensorFlow 2: Regression, Klassifikation, Metriken
- Supervised Deep Learning auf tabellarischen Daten, Bilddaten, Zeitreihen
- Unsupervised Deep Learning: Autoencoder, Embeddings, VAEs, GANs
- Deep Reinforcement Learning: Modellierung, Algorithmen, Anwendungen
Zeigermann, Oliver
Oliver Zeigermann ist ein exzellenter Entwickler mit einem feinen Gespür für Softwarearchitektur. In den letzten Jahren ist er tief in die Analyse großer Datenmengen unter anderem auch mit Techniken des Machine Learning eingestiegen. Kunden schätzen seinen Pragmatismus, seine technologische Expertise und seine lockere Art bei der Problemlösung. Erkenntnisse und Best Practices zu Machine Learning bringt er gerne auf Konferenzen und in Netzwerken unters Volk.
Seminarziel
In diesem Seminar erhalten Sie einen kompakten Überblick über die wichtigsten Themen im Bereich Deep Learning.
Zielgruppe
Entwickler, Data Engineers, Data Scientists, Mathematiker, Statistiker
Voraussetzungen
Verständnis der Grundideen von Machine Learning. Grundlegende Kenntnisse der Programmierung / Scripting. Erfahrungen mit Methoden des klassischen Machine Learnings sind hilfreich, aber nicht notwendig.
Sprachen
Seminar: Deutsch
Unterlagen: Deutsch
Informationen
Unsere Leistungen - Sie erhalten:
- digitale Schulungsunterlagen
- Ihre persönliche Teilnahmebescheinigung
Teilnahmegebühr
Der Frühbucher-Rabatt ist für Remote Trainings nicht anwendbar.
Inhouse-Seminare
Dieses Seminar ist auch als Inhouse-Schulung durchführbar. Schon ab einer Teilnehmerzahl von 5 Mitarbeitern kalkulieren wir Ihnen gerne ein kostengünstiges Inhouse-Trainings-Angebot.
NRW-Bildungsscheck
SIGS-DATACOM ist zugelassener Bildungspartner des Landes NRW. Ihren NRW-Bildungsscheck für unsere Seminare einzulösen ist möglich! Weitere Informationen erhalten Sie unter:NRW Bildungsscheck!!
Disclaimer
Wir sind für die eigenen Inhalte, die wir zur Nutzung bereithalten, nach den allgemeinen Gesetzen verantwortlich. Von diesen eigenen Inhalten sind Querverweise (externe Links) auf die von anderen Anbietern bereit gehaltenen Inhalte zu unterscheiden. Diese fremden Inhalte stammen nicht von uns und spiegeln auch nicht unsere Meinung wider, sondern dienen lediglich der Information. Wir machen uns diese Inhalte nicht zu eigen und übernehmen trotz sorgfältiger inhaltlicher Kontrolle keine Haftung für die Inhalte externer Links. Für den Inhalt der verlinkten Seite sind ausschließlich deren Betreiber verantwortlich.