Sie sind hier: Start > Professionelle Weiterbildung & Schulungen in Deutschland > Programmiersprachen > Python

Fantom Tag

Schulung - Deep-Learning mit Python

  • Live Online oder Präsenz
Inhouse Individuell
TERMIN UND ORT NACH ABSPRACHE
Dauer
2 Tage (12 Stunden)
Inhouse-Paket - Erfahren Sie mehr über unser Inhouse Seminarangebot
Auf Anfrage
Referenz
5125
Kontaktieren Sie uns für ein Angebot!
On-demand Training
Sind Sie an diesem Thema interessiert?
Unsere Experten entwickeln Ihr individuell angepasstes Seminar!
Kontaktieren Sie uns
Deep Learning ist ein Teilgebiet des maschinellen Lernens, bei dem Algorithmen direkt, ohne menschlichen Einfluss, aus den verwendeten Daten lernen. So gesehen ist Deep Learning die partielle Automatisierung des maschinellen Lernens. In dieser Schulung lernen die Teilnehmer die Grundlagen neuronaler Netze sowie deren Training und Evaluierung kennen. Ein Schwerpunkt liegt hierbei auf verschiedenen Optimierungsmethoden sowie die Architektur verschiedener Modelle.Bestandteil sind unter anderem Convolutional Neuronal Networks (CNN).

Dieses Seminar ist Teil dieses Qualifizierungsplaners:

Zielgruppe

Wer sollte teilnehmen:

Voraussetzungen

Seminar Python Programmierung oder vergleichbare Kenntnisse.
Programm

Trainingsprogramm

Einführung in Artificial Neural Networks

  • Vom biologischen zum künstlichen Neuron
  • Multilayer Perceptron (MLP)
  • Das Keras Modul
  • Regressionen & Klassifikation mit MLP
  • Hyperparameters

Deep Neural Networks mit Keras

  • Vanishing/Exploding Gradient Probleme
  • Modelle vortrainieren
  • Optimierungsmethoden

Vorverarbeitung von Daten mit Tensort Flow

  • Die Data API
  • TF-Transformationen
  • Vorverarbeitung der Input Feature

Convolutional Neural Networks

  • Architektur
  • Semantische Segmentieren
  • Implementierung mit Tensorflow

Recurrent Neural Networks

  • Architektur
  • Trainieren von RNNs
  • NLP mit RNNs
Methodik

Methodik

Bei der Schulung "Deep Learning mit Python” handelt es sich um eine Hand-On Veranstaltung. Den Teilnehmern wird die Chance und Zeit gegeben, erlernte Methoden und Konzepte anhand anschaulicher Use Cases direkt anzuwenden und das neue Wissen zu festigen.

Hinweis

Hinweis

Weiterführende Informationen: Eine Auswahl vertiefender Inhalte und praxisorientierter Beiträge zum Thema Künstliche Intelligenz findet sich im Blog.

Häufig gestellte Fragen (FAQ)

Häufig gestellte Fragen (FAQ)

Wann ist Deep Learning gegenüber klassischen Machine-Learning-Verfahren sinnvoll?

Deep Learning ist besonders stark bei großen Datenmengen und komplexen Mustern in Bildern, Sprache oder Sequenzen. Bei kleinen strukturierten Datensätzen sind einfachere Modelle oft effizienter und besser erklärbar.

Was ist der Unterschied zwischen CNN und RNN?

Convolutional Neural Networks erkennen lokale Muster, häufig in Bildern. Recurrent Neural Networks modellieren Reihenfolgen und zeitliche Abhängigkeiten, etwa in Texten oder Zeitreihen.

Warum ist Datenvorverarbeitung bei neuronalen Netzen so wichtig?

Skalierung, Kodierung, Datenqualität und geeignete Trainingsaufteilung beeinflussen Lernverhalten und Modellgüte erheblich. Fehler können durch komplexe Modelle leicht verdeckt werden.

Wie erkenne ich Overfitting bei einem Deep-Learning-Modell?

Wenn die Leistung auf Trainingsdaten steigt, während Validierungsdaten stagnieren oder schlechter werden, passt sich das Modell zu stark an. Regularisierung und geeignete Daten helfen dagegen.

Welche Rolle spielen Keras und TensorFlow?

Keras bietet eine zugängliche Schnittstelle zum Aufbau neuronaler Netze, während TensorFlow die Ausführung, Datenpipelines und weitere Infrastruktur für Training und Nutzung bereitstellt.

Schulung - Deep-Learning mit Python