Eckdaten

Seminarbeschreibung

Der interaktive Live-Workshop führt in das Gebiet der Neuronalen Netze (Deep Learning Algorithmen) ein. Das Besondere ist, dass alle Teilnehmer*innen in dieser Schulung auf einer eigenen High-Performance GPU (NVIDIA Tesla P100) in der Cloud rechnet. So können typische Fragestellungen und Probleme, die in der realen, industriellen Umsetzung beim Rechnen mit GPUs auftreten, behandelt werden.

Es werden die am häufigsten verwendeten Deep Learning Bildverarbeitungs Algorithmen (Neuronale Netze) theoretisch behandelt (u.a. Multi Layer Perceptron, Convolutional Neural Network). In praktischen Übungen wird in Python, mit den Framework Keras / Tensorflow mit high-performance GPUs Algorithmen für KI Bilderkennung, zu programmieren gelernt. Python ist im Deep Learning die am häufigsten verwendete Sprache und Keras / Tensorflow ist eine der beliebtesten Bibliotheken zur einfachen Umsetzung von Deep Learning Algorithmen.

Im Workshop werden drei verbreitete Anwendungsfelder näher beleuchtet: Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. Die behandelten Algorithmen werden vor allem zum Erkennen von Symbolen und pixelweisen Erkennen von Objekten und Menschen genutzt.

Während des Kurses entwerfen die Teilnehmer*innen einfache Neuronale Netze mit verschiedenen Schichten (Layern). Programmiert wird mit dem Framework Keras / Tensorflow mit Jupyter Notebooks auf high-performance GPUs in der Cloud.

Das Seminar vermittelt die Grundlagen, um sich selbstständig weitere Anwendungsfälle im Deep Learning, mit Fokus auf AI Bilderkennung, anzueignen und das Gelernte auf die eigenen Problemstellungen anwenden zu können.

Der Zugang erfolgt im Seminar über den Webbrowser.

Um direkt nach dem Kurs mit Deep Learning in Python Bilderkennung experimentieren und das Gelernte weiter vertiefen zu können, übertragen wir den Teilnehmer*innen das komplette Seminar-Setup kostenlos (europäischer GPU-Host, Datenspeicherung in Europa, Linux Server), wobei zusätzlich noch eine Woche GPU-Rechenzeit für den Einstieg enthalten ist (Kostenlose Registrierung beim GPU-Host notwendig). Bestandteil ist ein Startguthaben, das etwa 30 h GPU-Rechenzeit entspricht. Die genaue Zeit variiert nach aktueller Preislage des GPU-Anbieters.)

Agenda

Begrüßung und Organisatorisches

Vorstellungsrunde
Erwartungen der Teilnehmer
Jupyter Notebook
Rechnen in der Cloud

Grundlagen von Maschinellem Lernen und Künstlicher Intelligenz (KI)

Kurze Einführung und Geschichte des Deep Learning
KI, Deep Learning und Machine Learning
Beispiele von Deep Learning Algorithmen in heutigen Produkten
Ein erstes einfaches Netz selbstständig mit Keras umsetzen und trainieren

Daten Vorbereitung

Overfitting beim Trainieren von Machine Learning Algorithmen
Train-Validation-Test Datensplit zur Detektion von Overfitting
Datennormalisierung
One-Hot encoding
Anwendung auf den MNIST Datensatz

Multi-Layer-Perceptron (MLP) in Keras/Tensorflow (Neuronales Netz)

Wichtige Bauteile eines MLPs: Perceptron, Gewichte, Bias
Non-linearities (Aktivierungsfunktionen)
Softmax bei Klassifizierungsaufgaben

Ein Netzwerk trainieren und auf neue Daten anwenden

Verschiedene Loss-Funktionen
Backpropagation: Trainieren von den Gewichten
Initialisierung der Gewichte
Epoche und Batch-Size
Den Output während des Trainings interpretieren
Das trainierte Netzwerk zur Vorhersage von neuen Daten verwenden

Zielgruppe und Voraussetzungen

Voraussetzung zur Teilnahme sind fundierte Kenntnisse in mindestens einer Programmiersprache, idealerweise in Python.

Weiterbildungen mit Einstufung: Expert

Preis

Kollektionen

KI-Bilderkennung in Python - Deep Learning mit Keras: virtueller Drei-Tage-Workshop

Vorfall-Experte (BSI) des Cyber-Sicherheitsnetzwerks (CSN): Drei-Tage-Workshop

C++ Clean Code – Best Practices für Programmierer: virtueller Zwei-Tage-Workshop