Deep Learning mit TensorFlow und Keras

DAS LERNEN SIE

• Teil 1: Wie funktionieren neuronale Netze und welche Rolle spielt dabei TensorFlow-Keras 2?

  Im ersten Teil des Webinars lernen wir die Grundlagen künstlicher neuronaler Netze kennen. Dabei betrachten wir im Detail, welche Aufgaben sie für uns bewältigen können und gehen darauf ein, welche Roll sie im gesamten Machine-Learning-Kosmos einnehmen. Als Werkzeuge dienen uns dafür TensorFlow und Keras, die wir uns ebenfalls genauer anschauen.

• Teil 2: Wie kann ein neuronales Netzwerk optimiert werden?

  Nachdem die Grundlagen gefestigt sind, lernen wir die wichtigsten Parameter eines neuronalen Netzes kennen. Wir analysieren, worauf man beim Optimieren der Netze achten muss und wie man das Lernverhalten steuern kann. Mithilfe von praktischen Beispielen festigen wir so unser Verständnis und Wissen bezüglich neuronaler Netze und den eingesetzten Werkzeugen.

• Teil 3: Wie kann man mit neuronalen Netzen Bilderkennung betreiben?

  Im nächsten Schritt lernen wir Convolutional Neural Networks (CNN) kennen, eine der häufigsten Netzvarianten im Deep-Learning-Bereich. Wir lernen, wie sie funktionieren und was ihre charakteristischen Eigenschaften sind. Anhand eines praktischen Beispiels evaluieren wir, für welche Anwendungsbereiche sie geeignet sind und warum sie besonders im Feld der Bildverarbeitung zum Einsatz kommen.

• Teil 4: Best Practices für CNNs

  Wir haben uns bereits einiges an Wissen erarbeitet: Jetzt ist es an der Zeit, den Einsatz von TensorFlow, Keras und CNNs zu perfektionieren.  Wir lernen wir die wichtigsten Techniken kennen, um ein effizientes CNN zu erstellen und ausgezeichnete Ergebnisse zu erzeugen. Dabei beschäftigen wir uns ausgiebig mit der Optimeriung der Netzwerke kennen und diskutieren Best Practices für Deep Learning und die Arbeit mit neuronalen Netzen.

• Teil 5: Fragen und Antworten

  Im letzten Teil sammeln wir Fragen, die im Verlauf des Webinars aufgetreten sind und versuchen diese möglichst gleich zu beantworten. Auch eigene Projektideen sind sehr willkommen und können dann gleich diskutiert werden.

• Notwendige Vorkenntnisse

  • Es sollte ein wenig Wissen zu Machine Learning vorhanden sein. Man sollte wissen, wie Machine-Learning-Algorithmen Lernen und welche Rolle Daten dabei spielen.
  • Man sollte die grundlegende Python-Syntax beherrschen und wissen, was eine Klasse ist, was Methoden sind und was ein numpy-array ist.
  • Ansonsten sollten die Teilnehmenden keine Probleme haben zu folgen. Wir nutzen ausschließlich Tensorflow/Keras und der Kurs ist in sich geschlossen.
  • Als Entwicklungsumgebung dient ein Jupyter Lab.