Deep Learning – Künstliche neuronale Netze mit Keras und TensorFlow

• Du verstehst die theoretischen Grundlagen von künstlichen neuronalen Netzen.

• Du lernst, wie du mit Keras und TensorFlow eigene neuronale Netze konstruierst.

• Du erfährst, welche Möglichkeiten Deep Learning bietet und welche Grenzen dabei gelten.

Inhalt

Künstliche neuronale Netze (KNNs) und das darauf basierende Deep Learning bilden innerhalb des Machine Learnings eine eigene Disziplin. Du lernst zunächst ihre grundlegende Funktionsweise sowie wichtige Begriffe kennen. Im Weiteren erfährst du, wie die verschiedenen Arten von Neuronenschichten funktionieren. Mit Keras und TensorFlow erstellst du im Weiteren eigene neuronale Netze. Du lernst in dieser Session, wie schnell du deine erste eindrucksvolle KNN-Anwendung zur Bilderkennung schreibst.

Deep Learning ist allerdings nicht vor Fehlern gefeit. Zum Abschluss des gesamten Classrooms erfährst du anhand eindrucksvoller Beispiele, welche Herausforderungen und Schwachstellen im Deep Learning lauern.

Zielgruppe

Der Classroom richtet sich an alle Personen aus dem Softwarebereich mit Programmiererfahrung in einer höheren Programmiersprache (idealerweise Python), die einen fundierten, praxisorientierten Einstieg in das maschinelle Lernen suchen. Angesprochen sind insbesondere Softwareentwicklerinnen und -entwickler, Data Analysts sowie technisch versierte Fachkräfte, die Machine-Learning-Methoden verstehen, einordnen und in eigenen Projekten anwenden möchten.

Voraussetzungen

Grundkenntnisse in Python (Besuch von Session 1) werden vorausgesetzt.

Die Folien der Präsentation sind aufgrund zahlreicher englischer Begriffe vollständig in englischer Sprache gehalten, um eine bessere Lesbarkeit zu erzeugen. Der Vortrag findet in deutscher Sprache statt.

Agenda

• Grundlegende Funktionsweise künstlicher neuronaler Netze

• Wichtige Begriffe und Konzepte rund um Deep Learning

• Verschiedene Arten von Neuronenschichten und ihre jeweiligen Einsatzzwecke

• Einführung in die Frameworks Keras und TensorFlow für den produktiven Einsatz

• Konstruktion eigener neuronaler Netze mit praxisnahen Beispielen

• Entwicklung einer KNN-Anwendung zur Bilderkennung

• Möglichkeiten und Grenzen von Deep Learning im realistischen Einsatz