Seminarsuche

Deep Learning mit TensorFlow

Christian Staudt

Kurzinformationen

Detailinformationen

Unter dem Stichwort Deep Learning konnten neuronale Netze in den letzten Jahren bemerkenswerte Erfolge im Bereich der künstlichen Intelligenz erzielen, z.B. bei Sprach- oder Bildverarbeitung. Für viele Anwendungsfälle sind sie ein mächtigstes Werkzeug im Machine Learning.
Googles TensorFlow hat sich dabei als das meistgenutzte Open-Source-Tool für Deep Learning-Anwendungen etabliert. Mit TensorFlow können neuronale Netze konstruiert, trainiert und ausgewertet werden. Die high-level API Keras bietet dabei ein umfangreiches Paket für Machine Learning in verschiedensten Anwendungsfälle.

Der Workshop richtet sich an Anwender mit Machine Learning-Erfahrung, die ihre Kenntnisse in Richtung Deep Learning vertiefen wollen. Im Workshop wird ein Einblick in praxisnahe Aufgabenstellungen gegeben und mit Python in interaktiven Übungen umgesetzt.

Themenüberblick:

  • Neuronale Netze und Deep Learning - Theorie und Praxisbeispiele
  • Netzwerkarchitekturen konstruieren mit der Keras API
  • Trainingserfolg des Netzes überwachen und validieren
  • Anwendungsfälle z.B.
  • Bildklassifizierung mittels Convolution Neutral Networks (CNN)
  • Unsupervised Learning und Dimensionsreduktion (z.B. Autoencoder)
  • Klassifizierung von Zeitreihen
  • Interaktives Material und durchgehende interaktive Übungen (Jupyter Notebooks)

Staudt, Christian

Dr. Christian Staudt ist Freelance Data Scientist & Machine Learning Engineer bei der Point 8 GmbH. Er unterstützt als Freelance Data Scientist Auftraggeber bei Herausforderungen rund um Data Mining, Big Data und Machine Learning. Neben der Projektarbeit entwickelt er Trainings und coacht Teams in Sachen Methodik und Werkzeuge der Datenanalyse, die er schon während seiner Forschungstätigkeiten in der Informatik nutzte. Als Referent ist er in der Community um Python und Data Science aktiv. Gemeinsam mit Point 8 bietet er ein breites Spektrum von Basic bis Advanced Trainings an.

Seminarziel

Der Workshop richtet sich an erfahrende Anwender (Data Scientists), die ihre Machine Learning-Kenntnisse in Python mit einem Einstieg in Deep Learning-Methoden mittels Googles TensorFlow vertiefen wollen. Der Workshop vermittelt theoretische und praktische Grundlagen.

Zielgruppe

Der Workshop richtet sich an erfahrende Anwender (Data Scientists)

Voraussetzungen

Als Spezialisierungsworkshop benötigen die Teilnehmer praxisnahe Grundlagen im Bereich der Datenanalyse und der Anwendung von Machine Learning. Python-Pakete für die Datenanalyse,  -visualisierung und Statistik (z.B. pandas, numpy, matplotlib, scipy) sowie das Machine Learning (z.B. scikit-learn) sollten nicht fremd sein.

Hard- Software Voraussetzungen

Eine besondere technische Anforderung an Hard- oder Software gibt es nicht. Ausreichend ist ein eigener Laptop mit einem aktuellen Internetbrowser. Unsere digitale Laborumgebung und unsere dokumentierten Jupyter-Notebooks für das interaktive Arbeiten bringen alles Weitere mit.

Sprachen

Seminar: Deutsch

Unterlagen: Englisch

Methode

Der Workshop nutzt umfangreiche, interaktive Übungen zur direkten Anwendung und anschließenden Vertiefung des Verständnisses. Wir legen Wert auf eine ausgewogene Mischung aus Vortrag, Diskussion und Praxisübungen (individuell und im Team).

Informationen

In der Teilnahmegebühr sind folgende Leistungen enthalten:

  • der Seminarvortrag und begleitende Seminarunterlagen
  • Ihre persönliche Teilnahmebescheinigung


Teilnahmegebühr
Weitere Informationen zu den Teilnahmegebühren finden Sie hier.

Disclaimer: Wir sind für die eigenen Inhalte, die wir zur Nutzung bereithalten, nach den allgemeinen Gesetzen verantwortlich. Von diesen eigenen Inhalten sind Querverweise (externe Links) auf die von anderen Anbietern bereit gehaltenen Inhalte zu unterscheiden. Diese fremden Inhalte stammen nicht von uns und spiegeln auch nicht unsere Meinung wider, sondern dienen lediglich der Information. Wir machen uns diese Inhalte nicht zu eigen und übernehmen trotz sorgfältiger inhaltlicher Kontrolle keine Haftung für die Inhalte externer Links. Für den Inhalt der verlinkten Seite sind ausschließlich deren Betreiber verantwortlich.