Deep-Learning in Python

Beschreibung

In diesem Training lernen Sie den Umgang mit den Neuronalen Netzen zur Lösung von Klassifikations- und Regressionsproblemen kennen. Über den grundlegenden Aufbau eines einfaches Neurons werden tiefe Neuronale Netze besprochen und angewendet, um komplexe Probleme auf Beispieldaten zu lösen. Unter anderem Erfahren Sie, wie sich Bilddaten klassifizieren lassen und welche Techniken für die Prognose von Zeitreihen angewendet werden.

Neben den Algorithmen versucht das Training einen Eindruck von Deep Learning Prozessen zu vermitteln. D.h., es wird aufgezeigt, welche Schritte notwendig sind um einen Deep Learning Task zu lösen und wie diese konkret umgesetzt werden.

Wer sollte teilnehmen?

Data Scientists, Datenanalysten, Statistiker, Mathematiker, Researcher

Grundlegende Programmiererfahrung in Python sollte vorhanden sein.

Lernziele

  • Kennenlernen der Grundlagen von Neuronalen Netzen
  • Architekturen für verschiedene Problemklassen aufbauen
  • Tiefe Neuronale Netze erstellen um Klassifikations- und Regressionsprobleme zu lösen
  • Kennenlernen von Deep Learning Bibliotheken

Inhalte

  • Grundlagen Neuronaler Netze
    • Gradient Descent, Lernraten, Aktivierungsfunktionen
  • Overfitting, Underfitting und Parametertuning – Techniken der Modellerstellung
    • Kreuzvalidierung, Kreuzvalidierung bei Zeitreihen
  • Klassifikationsprobleme mit Neuronalen Netzen lösen
    • Aufbau eines tiefen Neuronalen Netzes
    • Evaluation von Klassifikationsverfahren (ROC-Kurven, Cutoff-Wert, Präzision, Sensitivität, Spezifität)
  • Regressionsprobleme mit Neuronalen Netzen lösen
    • Aufbau eines tiefen Neuronalen Netzes
    • Evaluation von Regressionsproblemen
  • Deep Learning Bibliotheken
    • Tensor Flow, Keras,
  • Deep-Learning Architekturen
    • Multi-Layer Perceptron, Recurrent Neural Networks, Convolutional Neural Networks

Shortfacts

  • Empfohlene Dauer: 2 Tage
  • 2–10 Teilnehmer
  • Kurssprache: Deutsch oder Englisch
  • Preis: Der Tagessatz variiert zwischen Unternehmen und Forschhungseinrichtung. Nehmen Sie Kontakt auf!
  • Training am eigenen Laptop (Softwarevoraussetzungen und Installationsanleitung erhalten Sie im Vorfeld)

Inklusive

  • Teilnehmerzertifikat
  • Umfassende Schulungsunterlagen
  • Veranstaltungsevaluation + Report als PDF

Inhousetraining bei Data-Science-Architect

Prozess

  • Abstimmung der Inhalte
  • Terminfindung
  • Angebotserstellung
  • Online Evaluation der Teilnehmererwartung
  • Ankündigung mit Kursbeschreibung, Softwarevoraussetzung, Installationsanleitung, Timetable & optionaler Möglichkeit zur Vorbereitung
  • Bereitstellung der Kursmaterialien
  • Pro Tag 8×45 Min. Lerneinheiten
  • 30 Min. Open Space pro Tag im Anschluss an die Lerneinheiten
  • Verhältnis von Theorie, Praxis und Übungsphasen nach Absprache
  • Event Evaluation
  • PDF-Report mit Evaluations-Ergebnissen
  • Bereitstellung der im Training erstellten Materialien
  • Feedbackgespräch

Buchung

  • Der 3. Teilnehmer einer Anmeldung nimmt kostenfrei teil
  • Rechnungsstellung erfolgt nach der Veranstaltung