Neuronale Netze & Deep Learning

Classroom Schulung | deutsch | Anspruch

Schulungsdauer: 2 Tage Durchführung gesichert

Ziele

In diesem Kurs lernen Sie die Grundlagen neuronaler Netze sowie deren Training und Evaluierung kennen. Den Schwerpunkt bildet Deep Learning, der Einsatz tiefer Netz-Architekturen, Herausforderungen und mögliche Lösungen.

Hinweis: Der Kurs wird in Kooperation mit der Astrum IT GmbH durchgeführt.

Zielgruppe

  • Entwickler
  • Programmierer

Voraussetzungen

  • Grundsätzliches Programmierverständnis
  • Python-Kenntnisse sind vorteilhaft

Agenda

Grundlagen neuronaler Netze

  • Prinzip und Entstehung
  • Erste Einführung in TensorFlow
  • Lernprinzip neuronaler Netze
  • Unterschiede zur klassischen Mustererkennung
  • Evaluierungsstrategien
  • Overfitting und Gegenmaßnahmen

Deep Learning

  • Problemursachen und Herausforderungen
  • Allgemeine Lösungstechniken
  • CNNs (Convolutional Neural Networks)
  • Tiefe, populäre CNN-Architekturen
  • Freies Experimentieren anhand einer Challenge
  • Transfer Learning mit vortrainierten Modellen
  • Komponenten tiefer Architekturen
  • Untersuchung und Interpretationsansätze

Ziele

In diesem Kurs lernen Sie die Grundlagen neuronaler Netze sowie deren Training und Evaluierung kennen. Den Schwerpunkt bildet Deep Learning, der Einsatz tiefer Netz-Architekturen, Herausforderungen und mögliche Lösungen.

Hinweis: Der Kurs wird in Kooperation mit der Astrum IT GmbH durchgeführt.

Zielgruppe

  • Entwickler
  • Programmierer

Voraussetzungen

  • Grundsätzliches Programmierverständnis
  • Python-Kenntnisse sind vorteilhaft

Agenda

Grundlagen neuronaler Netze

  • Prinzip und Entstehung
  • Erste Einführung in TensorFlow
  • Lernprinzip neuronaler Netze
  • Unterschiede zur klassischen Mustererkennung
  • Evaluierungsstrategien
  • Overfitting und Gegenmaßnahmen

Deep Learning

  • Problemursachen und Herausforderungen
  • Allgemeine Lösungstechniken
  • CNNs (Convolutional Neural Networks)
  • Tiefe, populäre CNN-Architekturen
  • Freies Experimentieren anhand einer Challenge
  • Transfer Learning mit vortrainierten Modellen
  • Komponenten tiefer Architekturen
  • Untersuchung und Interpretationsansätze

Tags

Diese Seite weiterempfehlen