Deep Learning mit Python und Keras

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