Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Der Kurs ist in drei verschiedene Tage aufgeteilt, wobei der dritte Tag optional ist.
Tag 1 - Machine Learning & Deep Learning: Theoretische Konzepte
1. Einführung KI, Machine Learning & Deep Learning.
- Geschichte, grundlegende Konzepte und übliche Anwendungen der künstlichen Intelligenz fernab der Fantasien, die in diesem Bereich verbreitet werden.
- Kollektive Intelligenz: Aggregation von Wissen, das von vielen virtuellen Agenten geteilt wird.
- Genetische Algorithmen: eine Population von virtuellen Agenten durch Selektion weiterentwickeln.
- 5] üblich: Definition.
- Aufgabentypen: supervised learning, unsupervised learning, reinforcement learning.
- Arten von Aktionen: Klassifizierung, Regression, Clustering, Dichteschätzung, Dimensionsreduktion.
- Beispiele für Algorithmen Machine Learning: Lineare Regression, Naive Bayes, Random Tree.
- Machine Learning VS Deep Learning: Probleme, bei denen Machine Learning heute noch Stand der Technik ist (Random Forests & XGBoosts).
2. Grundlegende Konzepte eines neuronalen Netzes (Anwendung: Multi-Layer-Perceptron).
- Auffrischung der mathematischen Grundlagen.
- Definition eines neuronalen Netzes: klassische Architektur, Funktionen zur Aktivierung und Gewichtung vorheriger Aktivierungen, Tiefe eines Netzes.
- Definition des Lernens eines neuronalen Netzes: Kostenfunktionen, Backpropagation, stochastischer Gradient descent, Maximum likelihood.
- Modellierung eines neuronalen Netzes: Modellierung der Eingabe- und Ausgabedaten je nach Art des Problems (Regression, Klassifikation...). Curse of dimensionality (Kurve der Dimensionalität). Unterscheidung zwischen Multi-Feature-Daten und Signal. Wahl einer Kostenfunktion je nach Daten.
- Approximation einer Funktion durch ein neuronales Netz: Präsentation und Beispiele.
- Approximation einer Verteilung durch ein neuronales Netz: Präsentation und Beispiele.
- Data Augmentation: Wie man ein Dataset ausgleicht.
- Verallgemeinerung der Ergebnisse eines neuronalen Netzes.
- Initialisierungen und Regularisierungen eines neuronalen Netzes: L1/L2 Regularisierung, Batch Normalization...
- Optimierungen und Konvergenzalgorithmen.
3. Übliche Werkzeuge ML / DL.
Eine einfache Präsentation mit Vor- und Nachteilen, Position im Ökosystem und Verwendung ist vorgesehen.
- Werkzeuge zur Datenverwaltung: Apache Spark, Apache Hadoop.
- Übliche Machine Learning Tools: Numpy, Scipy, Sci-kit.
- High-Level-DL-Frameworks: PyTorch, Keras, Lasagne
- Low-Level DL-Frameworks: Theano, Torch, Caffe, Tensorflow
Tag 2 - Faltungs- und rekursive Netzwerke
4. Convolutional Neural Networks (CNN).
- Überblick über CNNs: Grundprinzipien und Anwendungen.
- Grundlegende Funktionsweise eines CNN: Convolutional Layer, Verwendung eines Kernels, Padding & Stride, Generierung von Feature Maps, 'Pooling'-Layer. 1D-, 2D- und 3D-Erweiterungen.
- Vorstellung der verschiedenen CNN-Architekturen, die den Stand der Technik in der Bildklassifikation repräsentieren: LeNet, VGG Networks, Network in Network, Inception, Resnet. Vorstellung der von jeder Architektur eingebrachten Innovationen und ihrer globaleren Anwendungen (1x1-Faltung oder Restverbindungen).
- Verwendung eines Aufmerksamkeitsmodells.
- Anwendung auf einen üblichen Klassifikationsfall (Text oder Bild).
- CNNs für die Generierung: Superauflösung, Pixel-zu-Pixel-Segmentierung. Vorstellung der wichtigsten Strategien zur Vergrößerung von Feature Maps für die Generierung eines Bildes.
5. Recurrent Neural Networks (RNN).
- Überblick über RNNs: Grundprinzipien und Anwendungen.
- Grundlegende Funktionsweise von RNNs: hidden activation, back propagation through time, unfolded version.
- Entwicklungen zu GRUs (Gated Recurrent Units) und LSTMs (Long Short Term Memory). Darstellung der verschiedenen Zustände und der Entwicklungen, die diese Architekturen mit sich bringen.
- Konvergenzprobleme und vanising gradient.
- Arten von klassischen Architekturen: Vorhersage einer Zeitreihe, Klassifizierung...
- Architektur vom Typ RNN Encoder Decoder. Verwendung eines Modells der Aufmerksamkeit.
- NLP-Anwendungen: Word/Character Encoding, Übersetzung.
- Video-Anwendungen: Vorhersage des nächsten generierten Bildes einer Videosequenz.
Tag 3 - Generationale Modelle und Reinforcement Learning.
6. Generationsmodelle: Variational AutoEncoder (VAE) und Generative Adversarial Networks (GAN).
- Vorstellung der generationellen Modelle, Verbindung zu den an Tag 2 besprochenen CNNs.
- Auto-encoder: Reduzierung der Dimensionalität und begrenzte Generierung.
- Variational Auto-encoder: Generationsmodell und Approximation der Verteilung eines Datensatzes. Definition und Verwendung des latenten Raums. Reparameterization trick. Anwendungen und beobachtete Einschränkungen.
- Generative Adversarial Networks: Grundlegende Prinzipien. Zwei-Netzwerk-Architektur (Generator und Diskriminator) mit alternierendem Lernen, verfügbare Kostenfunktionen.
- Konvergenz eines GAN und aufgetretene Schwierigkeiten.
- Verbesserte Konvergenz: Wasserstein GAN, BeGAN. Earth Moving Distance.
- Anwendungen zur Erzeugung von Bildern oder Fotografien, Texterzeugung, Super-.
Auflösung.
7. Deep Reinforcement Learning.
- Vorstellung von Reinforcement Learning: Steuerung eines Agenten in einer Umgebung, die durch einen Zustand und mögliche Aktionen definiert ist.
- Verwendung eines neuronalen Netzes zur Annäherung an die Zustandsfunktion.
- Deep Q Learning: Replay-Erfahrung und Anwendung auf die Steuerung eines Videospiels.
- Optimierungen der Lernpolitik. On-policy && off-policy. Actor critic architecture. A3C.
- Anwendungen: Steuerung eines einfachen Videospiels oder eines digitalen Systems.
Voraussetzungen
Ingenieurniveau
21 Stunden
