Maschinelles Lernen mit ANN und Deep Learning

Diese Schulung soll ein tiefgreifendes Verständnis der grundlegenden Konzepte und fortgeschrittenen Techniken vermitteln, die für Datenwissenschaft und -analyse erforderlich sind. Sie vermittelt Kenntnisse in Datenwissenschaft, maschinellem Lernen (ML), Deep Learning, Python, Datenmodellierung und Datenvisualisierung.

Einführung in die Datenwissenschaft und Python:
  • Überblick über Datenwissenschaft und die wachsende Bedeutung von Deep Learning bei fortgeschrittenen Aufgaben des maschinellen Lernens
  • Einführung in Python und Bibliotheken wie TensorFlow und Keras zum Aufbau künstlicher neuronaler Netze (ANNs)
  • Verstehen, wie Datenwissenschaftler Deep Learning zur Lösung komplexer Probleme in Bereichen wie Bilderkennung und natürliche Sprachverarbeitung einsetzen
  • Einrichten der Python-Umgebung zum Aufbau und Training neuronaler Netze
Künstliche neuronale Netze (ANNs):
  • Einführung in neuronale Netze und ihre Komponenten: Neuronen, Schichten, Aktivierungsfunktionen und Gewichte
  • Verständnis von Feedforward-Neuronalen Netzen und Backpropagation für das Modelltraining
  • Untersuchung verschiedener Architekturen, einschließlich vollständig verbundener und faltender neuronaler Netze
  • Erstellung grundlegender ANNs mit Keras und TensorFlow für Bildklassifizierungs- und Regressionsaufgaben
Grundlagen des Deep Learning:
  • Überblick über Deep Learning und seine Schlüsselkonzepte, einschließlich tiefer neuronaler Netze und Modelltraining
  • Verständnis des Konzepts der Überanpassung beim Deep Learning und von Techniken zur Regularisierung wie Dropout und Batch-Normalisierung
  • Implementierung fortgeschrittener Deep-Learning-Modelle zur Verarbeitung und Klassifizierung komplexer Datensätze
  • Optimierung von Deep-Learning-Modellen mithilfe von Techniken wie stochastischem Gradientenabstieg und Adam-Optimierung
Reale Anwendungen von Deep Learning:
  • Anwendung von Deep Learning auf reale Probleme wie Bilderkennung, Spracherkennung und Textklassifizierung
  • Untersuchung von Fallstudien zu Deep Learning-Modellen in Branchen wie dem Gesundheitswesen, dem Finanzwesen und dem autonomen Fahren
  • Bewährte Verfahren zur Bewertung und Bereitstellung von Deep Learning-Modellen in Produktionsumgebungen
  • Präsentation der Ergebnisse von Deep Learning-Projekten vor nicht-technischen Interessengruppen und Förderung von Geschäftsentscheidungen

Die Inhalte verbinden Maschinelles Lernen, ANN und Deep Learning mit Python, TensorFlow und Keras und behandeln Maschinelles Lernen in Bilderkennung, Spracherkennung, Textklassifizierung sowie Maschinelles Lernen in Fallstudien.