Deep Learning mit Python und Keras
Peter Steigmann
"Mein Motto als erfolgreicher IT-Trainer: Wissen teilen, Menschen befähigen, Begeisterung entfachen!"
Peter Steigmann, Diplom-Betriebswirt (FH), ist seit mehr als 20 Jahren Experte für IT-Fortbildung. Wichtig ist ihm in seinen Seminaren, maßgeschneidert auf die Wünsche der Teilnehmenden einzugehen. Sein Fachwissen, seine Begeisterung für IT-Themen und sein pädagogisches Geschick haben viele Kunden aus Automotive, Pharma, Kredit, Versicherung und Behörden beeindruckt, darunter Fraunhofer Institute, Boehringer Ingelheim Pharma, Sparkassen, Bundesbank und RKI. Von Teilnehmenden hervorgehoben werden seine praxisnahen Übungen, interaktiven Lernmethoden und die individuelle Betreuung der Teilnehmer.
Keras eignet sich besonders zur schnellen Implementierung neuronaler Netze und ermöglicht effizientes und einfaches Prototyping von neuronalen Netzen bei gleichzeitig großer Bedienerfreundlichkeit.
Ziel der Weiterbildung
Sie können nach dem Training eigenständig Neuronale Netze entwerfen und trainieren. Python-, Statistik- und mathematische Kenntnisse werden vorausgesetzt. Sie üben das Erlernte in zahlreichen Praxisbeispielen und Sie können auch eigene Beispiele aus Ihrer beruflichen Praxis mitbringen. Als Programmieroberfläche wird Jupyter Notebook genutzt.Mittwoch, 15. bis Freitag, 17. November 2023
9.00 bis 16.30, inkl. Pausen
Deep Learning, Maschine Learning, künstliche Intelligenz: eine Begriffsbestimmung
Funktionsweise neuronaler Netze
Neuronale Netze mit Keras
– Aufbau, Layer, Modelle
– Datenvorbereitung
– Klassifizierung und Mehrfachklassifizierung
– Keras und Tensorflow
– Modellauswahl
– Grundlagen des Lernprozesses
Arbeiten mit convolutionalen neuronalen Netzwerken (CNN), maschinelles Sehen
– Wie arbeiten convolutionale Netze?
– Datenvorbereitung, Datenaugmentation
– Verwenden vortrainierter CNNs
– Merkmalsextraktion und Feinabstimmung
Arbeiten mit rekurrenten neuronalen Netzwerken (RNN), sequenzielle Daten
– Rekurrente Layer in Keras
– Sequenzdaten mit SimpleRNN und LSTM (Long Short-Term Memory) verarbeiten
– LSTM und GRU Layer
– Rekurrentes Dropout Verfahren
Feature Extraction: Numerische Daten, Bild und Text-Daten vorbereiten
– Datenrepräsentation: Skalare, Vektoren und Matrizen
– Daten einlesen, vorbereiten und beschreiben mit Pandas
– Visualisierung der Daten mit Matplotlib
– Verarbeitung qualitativer Merkmale (One-hot Kodierung)
– Standardisierung von Daten
– Dimensionen von Daten reduzieren
– Principle Component Analysis (PCA)
– Bilddateien transformieren
– Textdaten vorbereiten: Vectorizer, Worteinbettungen
Fallbeispiel zur Wiederholung des Gelernten
Peter Steigmann
ONLINE
Die Teilnahme beinhaltet ausführliche Unterlagen.
Preis:
Die Teilnahmegebühr beträgt:
1.460,00 €
(MwSt.-frei)
pro Teilnehmer
Fördermöglichkeiten:
Für den aktuellen Veranstaltungstermin steht Ihnen die ESF-Fachkursförderung mit bis zu 70 % Zuschuss zu Ihrer Teilnahmegebühr zur Verfügung.
Für alle weiteren Termine erkundigen Sie sich bitte vorab bei unserer Anmeldung.
Weitere Bundesland-spezifische Fördermöglichkeiten finden Sie hier.
Inhouse Durchführung:
Sie möchten diese Veranstaltung firmenintern bei Ihnen vor Ort durchführen? Dann fragen Sie jetzt ein
individuelles
Inhouse-Training
an.
Weitere Termine und Orte
Dies könnte Sie auch interessieren:
Fragen zur Veranstaltung?
Ihr Ansprechpartner für die Veranstaltung
