Deep Learning für Entwickler

Die Inhalte richten sich Entwickler, die Deep Learning Methoden in ihren Projekten praktisch anwenden möchten. Es werden theoretische und praktische Grundlagen vermittelt – umfangreiche, interaktive Tutorials zur direkten Anwendung vertiefen anschließend das Verständnisses. Für die Teilnahme an den Tutorials sind sichere Kenntnisse in Python notwendig.

Einstieg Machine Learning und Computer Vision

Deep Learning im Überblick, aktuelle Anwendungen und Verfahren (Computer Vision und Sprachverarbeitung)
Die wichtigsten Grundlagen zum Deep Learning, Convolutional Neural Networks und Transformern
Vom Bild zu Vektor
Feed Forward Layer
Loss Functions: Softmax Cross Entropy Loss / Gradient
Backpropagation
Stochastic Gradient Descent (SGD)
Batch, Epoch, Learning Rate
Metriken
Experiment Tracking mit Tensorboard
Tutorial: Ein erstes Netz zur Bildverarbeitung
Weitere interaktive Tutorials (Jupyter Notebooks) zu Transfer Learning mit CNNs und Natural Language Processing mit Transformern

Deep Learning mit Convolutional Neural Networks

Concolutional Layers
Batch Normalization
Optimizer (Adam, SGD mit Momentum)
Regularisierung: Dropout, Weight Decay etc.
Data Augmentation
Transfer Learning
CNN Anwendungsfelder und Architekturen
Tutorial: Transfer Learning mit CNNs

Deep Learning und Natural Language Processing

Vom Text zu Vektor mit Text Embeddings
Transformer Architektur
Data Augmentation für Texte
Transfer Learning für NLP
Einsatz von trainierten Modellen:
- Stimmungsanalyse von Texten
- Texte Zusammenfassen
- Übersetzen von Texten
Tutorial: Klassifikation von Texten mit Deep Neural Networks

Sonstiges

Praktische Tipps und Tricks zum effizienten Training und Einsatz eigener Modelle

Nach oben