Beschreibung
Überblick über Deep Learning Frameworks (z.B. TensorFlow, PyTorch)
Zielgruppe: Nur für Unternehmen und Institutionen.- Steigende Popularität von Deep Learning: In den letzten Jahren hat Deep Learning in vielen Branchen, von der Bilderkennung bis hin zur Spracherkennung und medizinischen Diagnostik, an Bedeutung gewonnen. Das Seminar hilft den Teilnehmern, sich in diesem wachsenden Bereich zurechtzufinden.
- Praktische Fähigkeiten erwerben: Durch den praktischen Fokus des Seminars können die Teilnehmer direkt mit den Frameworks arbeiten und praktische Erfahrungen sammeln. Dies ist oft der effektivste Weg, um zu lernen, besonders in technischen Bereichen.
- Framework-Vergleich: Es gibt mehrere Deep Learning Frameworks auf dem Markt. Durch einen direkten Vergleich von TensorFlow und PyTorch können die Teilnehmer die Vor- und Nachteile jedes Frameworks besser verstehen und entscheiden, welches am besten zu ihren Bedürfnissen passt.
Kommende Starttermine
Inhalte / Module
- Einführung in Deep Learning
- Definition von Deep Learning
- Unterschied zwischen traditionellem Maschinenlernen und Deep Learning
- Anwendungsgebiete und Beispiele
- Einführung in Deep Learning Frameworks
- Warum brauchen wir Frameworks?
- Training von Modellen
- Übersicht über gängige Frameworks: TensorFlow, PyTorch, Keras, Caffe, Theano, etc.
- TensorFlow - Erste Schritte
- Installation und Einrichtung
- TensorFlow Grundkonzepte: Tensoren, Graphen, Sessions
- Kostenfunktionen und Optimierer
- Einfaches Beispiel: Lineare Regression
- PyTorch - Erste Schritte
- Installation und Einrichtung
- PyTorch Grundkonzepte: Tensoren, Dynamic Computation Graph
- Automatisches Differenzieren mit autograd
- Einfaches Beispiel: Lineare Regression
- Neural Network Basics
- Neuronen und Schichten
- Aktivierungsfunktionen
- Forward- und Backpropagation
- Convolutional Neural Networks (CNNs)
- Grundkonzepte und Architektur von CNNs
- Anwendungsgebiete: Bilderkennung, Bildklassifikation
- Recurrent Neural Networks (RNNs)
- Grundkonzepte und Architektur von RNNs
- Anwendungsgebiete: Zeitreihenanalyse, Textgenerierung
- Praktische Beispiele mit TensorFlow und PyTorch
- Bildklassifikation mit CNNs
- Textklassifikation oder Zeitreihenanalyse mit RNNs
- Ausblick und weitere Ressourcen
- Best Practices im Deep Learning: Regularisierung, Dropout, Normalisierung
- Advanced Deep Learning Techniken: Transfer Learning, GANs, usw.
- Weiterführende Literatur und Online-Ressourcen
Zielgruppe / Voraussetzungen
- Software-Entwickler und Ingenieure: Insbesondere solche, die sich in den Bereichen Maschinelles Lernen und Künstliche Intelligenz spezialisieren oder ihr Wissen in diesen Bereichen erweitern möchten.
- Technologie-Manager und Teamleiter: Die die Implementierung von Deep Learning in Projekten oder Produkten in Erwägung ziehen und ein grundlegendes Verständnis der Technologie und ihrer Potenziale haben möchten.
- Produktmanager: Die in Technologieunternehmen arbeiten und Deep Learning-Features in ihre Produkte integrieren möchten.
- Berater im Bereich Technologie und Innovation: Die ihre Kunden über Deep Learning-Anwendungen und -Implementierungen beraten möchten.
- Unternehmer und Start-up-Gründer: Insbesondere wenn sie Produkte oder Dienstleistungen entwickeln, die auf Deep Learning basieren oder diese Technologie nutzen könnten.
Hinweis: Dieser Kurs richtet sich an Mitarbeitende aus Unternehmen und Institutionen.
Für Privatpersonen ist dieser Kurs leider nicht geeignet.
Bitte beachten Sie: Bildungsgutscheine der Agentur für Arbeit werden für diesen Kurs NICHT anerkannt.
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.