Deep learning mit Python und Keras
Classroom training | German | Claim
Duration of training: 2 days
Objectives
Sie erhalten einen guten Überblick über Deep Learning Szenarien. Dieses Seminar liefert eine praktische Einführung in Deep Learning mit Tensorflow und Keras bei der Sie stets selbst durch Programmieren Hand anlegen.
Sie wissen nach dem Seminar, wie Sie die Deep Learning Modelle konkret mittels einer Deep Learning Bibliothek in Python umsetzen. Damit wird ein solides Fundament für die Übertragung auf eigene Probleme und eigene firmenspezifische Unternehmensdaten im Arbeitsalltag geschaffen.
Es kommen sogenannte Jupyter-Notebooks mit fertigen Codezellen zum Einsatz. Im Praxisteil wird ein kurzer Crashkurs zur Python-Syntax durchgeführt. Jupyter-Notebooks werden seit Jahren in der Lehre rund um das Thema Machine Learning und im Speziellen für die Lehre im Bereich Deep Learning erfolgreich und hochproduktiv eingesetzt. Jupyter-Notebooks erlauben mit funktionierenden Code spielerisch zu experimentieren und den Code auf die eigenen Anforderungen schnell anzupassen.
Target audience
Alle, die ihr Verständnis von Deep/Machine Learning vertiefen wollen
Requirements
Grundkenntnisse in Programmierung
Agenda
Einführung (Theorie)
- Deep Learning: Boom? Hype?
- Was kann man mit Deep Learning machen?
- Was ist Deep Learning?
Crashkurs Python/NumPy (Praxis)
- Crashkurs Python Syntax: Willkommen in Python!
- Crashkurs NumPy: Erstellung und Zugriff auf NumPy Matrizen
Überblick (Theorie)
- Wieso erst jetzt der Deep Learning Durchbruch?
Multi-Layer-Perzeptron (MLP) für Regressionsprobleme (Praxis)
- Jupyter-Notebook mit Fallstudie #1:
- Wie kann man mit einem MLP Immobilienpreise prädizieren?
Maschinelles Lernen (Theorie)
- Wie funktioniert maschinelles Lernen?
- Was ist Gradientenabstieg und automatisches Differenzieren?
- Wie kann TensorFlow unsere Modelle automatisch trainieren?
Long Short Term Memory (LSTM) zur Zeitreihenprädiktion (Theorie und Praxis):
- Was ist eine LSTM-Zelle?
- Was ist ein LSTM-Netzwerk?
- Jupyter-Notebook mit Fallstudie #2:
- Wie kann man mit einem LSTM Netzwerk Passagierzahlen prädizieren?
Convolutional Neural Networks (CNN) (Theorie):
- Wie funktionieren CNNs?
Textanalyse mit LSTM Netzwerken (Theorie und Praxis):
- Wie kann man Wörter und Text sinnvoll als Eingabe für LSTM Netzwerke repräsentieren?
- Jupyter-Notebook mit Fallstudie #3:
- Wie kann man mit einem LSTM Netzwerk Kundenbewertungen, die als Text vorliegen, hinsichtlich Zufriedenheit automatisch bewerten?
Objectives
Sie erhalten einen guten Überblick über Deep Learning Szenarien. Dieses Seminar liefert eine praktische Einführung in Deep Learning mit Tensorflow und Keras bei der Sie stets selbst durch Programmieren Hand anlegen.
Sie wissen nach dem Seminar, wie Sie die Deep Learning Modelle konkret mittels einer Deep Learning Bibliothek in Python umsetzen. Damit wird ein solides Fundament für die Übertragung auf eigene Probleme und eigene firmenspezifische Unternehmensdaten im Arbeitsalltag geschaffen.
Es kommen sogenannte Jupyter-Notebooks mit fertigen Codezellen zum Einsatz. Im Praxisteil wird ein kurzer Crashkurs zur Python-Syntax durchgeführt. Jupyter-Notebooks werden seit Jahren in der Lehre rund um das Thema Machine Learning und im Speziellen für die Lehre im Bereich Deep Learning erfolgreich und hochproduktiv eingesetzt. Jupyter-Notebooks erlauben mit funktionierenden Code spielerisch zu experimentieren und den Code auf die eigenen Anforderungen schnell anzupassen.
Target audience
Alle, die ihr Verständnis von Deep/Machine Learning vertiefen wollen
Requirements
Grundkenntnisse in Programmierung
Agenda
Einführung (Theorie)
- Deep Learning: Boom? Hype?
- Was kann man mit Deep Learning machen?
- Was ist Deep Learning?
Crashkurs Python/NumPy (Praxis)
- Crashkurs Python Syntax: Willkommen in Python!
- Crashkurs NumPy: Erstellung und Zugriff auf NumPy Matrizen
Überblick (Theorie)
- Wieso erst jetzt der Deep Learning Durchbruch?
Multi-Layer-Perzeptron (MLP) für Regressionsprobleme (Praxis)
- Jupyter-Notebook mit Fallstudie #1:
- Wie kann man mit einem MLP Immobilienpreise prädizieren?
Maschinelles Lernen (Theorie)
- Wie funktioniert maschinelles Lernen?
- Was ist Gradientenabstieg und automatisches Differenzieren?
- Wie kann TensorFlow unsere Modelle automatisch trainieren?
Long Short Term Memory (LSTM) zur Zeitreihenprädiktion (Theorie und Praxis):
- Was ist eine LSTM-Zelle?
- Was ist ein LSTM-Netzwerk?
- Jupyter-Notebook mit Fallstudie #2:
- Wie kann man mit einem LSTM Netzwerk Passagierzahlen prädizieren?
Convolutional Neural Networks (CNN) (Theorie):
- Wie funktionieren CNNs?
Textanalyse mit LSTM Netzwerken (Theorie und Praxis):
- Wie kann man Wörter und Text sinnvoll als Eingabe für LSTM Netzwerke repräsentieren?
- Jupyter-Notebook mit Fallstudie #3:
- Wie kann man mit einem LSTM Netzwerk Kundenbewertungen, die als Text vorliegen, hinsichtlich Zufriedenheit automatisch bewerten?
