Beschreibung
- Einleitung - Heranführen
- Textdaten verarbeiten und vorverarbeiten
- Grundlegende Techniken der Verarbeitung von Textdaten
- Mit NumPy arbeiten
- One-Hot-Encodierung und Bag‑of‑Words‑Modell
- Grundlagen maschinellen Lernens
- Lineare Regression
- Eine Gerade in eine Punktewolke legen
- Die Lage der Geraden bestimmen
- Die Qualitat eines Modells bestimmen
- Multivariate Regression
- Praktische Umsetzung mit Python und Scikit-Learn
- Logistische Regression
- Verfahrensweise
- Gutemase
- Praktische Umsetzung mit Scikit-Learn
- Softmax-Regression
- Verfahrensweise
- Praktische Umsetzung mit Scikit-Learn
- Einfache Verfahren zur Vektorisierung von Textdaten
- One-Hot-Encodierung und Bag‑of‑Words‑Ansatz
- N-grams
- TF-IDF-Vektorisierung
- Umsetzung mit Scikit-Learn
- Vektorisierung mit dem Count-Vectorizer
- TF-IDF-Vektorisierung
- Lemmatisierung
- Einsatz eines N-gram-Modells
- Deep Learning-Essentials
- Neuronen und neuronale Netze
- Wie neuronale Netze lernen
- Architektur und Einstellungen eines neuronalen Netzes
- Anzahl der Neuronen in der ersten aktiven Schicht
- Anzahl der Neuronen in der Ausgabeschicht
- Aktivierung der Neuronen der Ausgabeschicht
- Auswahl einer passenden Verlustfunktion
- Wahl des Optimierers
- Aktivierung der Neuronen in der verdeckten Schicht
- Ein neuronales Netz mit TensorFlow und Keras aufbauen und anlernen
- Standardisierung der Features
- Aufbau und Einstellungen eines neuronalen Netzes
- Anlernen des Modells
- Steuerung des Anlernprozesses (Early Stopping)
- Generalisierung und Uberanpassung
- Regularisierung
- Dropout
- Praktische Umsetzung
- Rekurrente Netze
- Aufbau und Funktionsweise rekurrenter Netze
- Long Short Term Memory (LSTM) und Gated Recurrent Units (GRU)
- Praxis rekurrenter Netze: eine automatische Rechtschreibkorrektur
- Umsetzung der Encodierung
- Aufbau und Anlernen des rekurrenten Netzes
- Mit einem bidirektionalen rekurrenten Layer arbeiten
- Anlernen neuronaler Netze mit Generatoren
- Generatoren und Generator-Funktionen in Python
- Daten batchweise ziehen
- Neuronale Netze mit Generatoren anlernen
- Die Rechtschreibkorrektur mit einem Generator anlernen
- Konvolutionale Netze
- Funktionsweise konvolutionaler Netze
- Sequenzdaten mit konvolutionalen Netzen verarbeiten
- Praxis des Anlernens eines konvolutionalen Netzes mit Textdaten
- Word Embedding
- Funktionsweise
- Aufgabenubergreifende semantische Raume: word2vec- und fastText-Verfahren
- Mit Word Embedding-Verfahren in der Praxis arbeiten
- Vorverarbeitung und Implementierung mit Keras
- Der Heidegger-Algorithmus: ein generatives Modell zur Erzeugung von Texten
- Aufbau eines generativen Modells
- Vorbereitung der Daten
- Aufbau und Anlernen des Netzes
- Texte erzeugen
- Synonyme Worter identifizieren
- Mit vortrainierten Worteinbettungen arbeiten (fastText)
- fastText-Vektorraume aufbereiten
- Austausch der Gewichte eines Embedding Layers
- Den Vektorraum um unbekannte Worter erweitern
- Komplexe Lernarchitekturen umsetzen
- Die funktionale API von TensorFlow
- Ein Modell mit zwei Eingangen aufbauen und anlernen
- Architektur des Modells
- Anlernen des Modells
- Sequence-to-Sequence-Modelle
- Encoder-Decoder-Modelle mit Teacher Forcing
- Attention-Mechanismus
- Encoder-Decoder-Architekturen in der Praxis
- Ein einfaches Encoder-Decoder-Modell
- Vorbereitung der Daten
- Aufbau des Encoder-Decoder-Modells
- Das Inferenzmodell aufbauen und einsetzen
- Encoder-Decoder-Modelle mit Attention-Mechanismus
- Vorbereitung der Daten
- Zusammenstellung des neuronalen Netzes
- Anlernen des Modells
- Aufbau des Inferenzmodells
- Das Modell fur Ubersetzungen einsetzen
- Transformers
- Aufbau und Funktionsweise
- Self-Attention
- Die Transformer-Architektur
- Subwort-Tokenisierung
- Mit der Hugging Face-Bibliothek arbeiten
- Hauptklassen der Transformers-Bibliothek
- Mit der Hugging Face-Pipeline arbeiten
- Mit der Tokenizer-Klasse arbeiten
- Mit der Model-Klasse arbeiten
- Fine Tuning vortrainierter Netze
- Ein vortrainiertes Modell mit einem nichttrainierten Kopf laden
- Eine Durchleitung organisieren
- Teile des Netzes auf nichttrainierbar stellen
- Das Modell anlernen
Möchten Sie mehr über diese Weiterbildung erfahren?
Kommende Starttermine
Wählen Sie aus 721 verfügbaren Startterminen
2 Dezember, 2024
- Online-Kurs / Fernlehrgang
- Online-Kurs / Fernlehrgang
- Förderung möglich
7 Januar, 2025
- Online-Kurs / Fernlehrgang
- Online-Kurs / Fernlehrgang
- Förderung möglich
3 Februar, 2025
- Online-Kurs / Fernlehrgang
- Online-Kurs / Fernlehrgang
- Förderung möglich
3 März, 2025
- Online-Kurs / Fernlehrgang
- Online-Kurs / Fernlehrgang
- Förderung möglich
7 April, 2025
- Online-Kurs / Fernlehrgang
- Online-Kurs / Fernlehrgang
- Förderung möglich
Kurs auf Anfrage
- Online-Kurs / Fernlehrgang
- Online-Kurs / Fernlehrgang
- Förderung möglich
Kommende Starttermine
Infos anfordern
future Training & Consulting GmbH
Fiete-Schulze-Straße 13
06116 Halle (Saale)
future Training & Consulting GmbH
future Training & Consulting bietet Ihnen ein umfassendes Programm an Weiterbildungsmöglichkeiten, individuelle und offene IT-Schulungen, entweder bei Ihnen oder in unseren Schulungsräumen. future Training & Consulting ist zertifizierter Träger von Kursen zur Förderung der beruflichen Weiterbildung nach dem Recht der...
Erfahren Sie mehr über future Training & Consulting GmbH und weitere Kurse des Anbieters.
Anzeige