Fundamentals of Deep Learning

In unserem Fundamentals of Deep Learning Workshop lernst du durch praktische Übungen mit Computer Vision und natürlicher Sprachverarbeitung, wie Deep Learning funktioniert. Du wirst Deep-Learning-Modelle von Grund auf trainieren und Werkzeuge und Tricks kennenlernen, um hochpräzise Ergebnisse zu erzielen. Außerdem lernst du, wie du frei verfügbare, hochmoderne, vortrainierte Modelle nutzen kannst, um Zeit zu sparen und deine Deep-Learning-Anwendung schnell zum Laufen zu bringen. Unternehmen weltweit nutzen künstliche Intelligenz, um ihre größten Herausforderungen zu lösen. Ärzte nutzen KI, um genauere und schnellere Diagnosen für Patienten zu stellen. Einzelhändler nutzen sie, um ihren Kunden ein personalisiertes Einkaufserlebnis zu bieten. Automobilhersteller nutzen sie, um Privatfahrzeuge, Shared Mobility und Lieferdienste sicherer und effizienter zu machen. Deep Learning ist ein leistungsfähiger Ansatz der KI, der mehrschichtige künstliche neuronale Netze einsetzt, um bei Aufgaben wie Objekterkennung, Spracherkennung und Sprachübersetzung die höchste Genauigkeit zu erreichen. Mit Deep Learning können Computer lernen und Muster in Daten erkennen, die für von Experten geschriebene Software als zu komplex oder zu subtil gelten.

Nach dem Kurs Fundamentals of Deep Learning kennst du

• die grundlegenden Techniken und Werkzeuge kennen, die zum Trainieren eines Deep Learning-Modells benötigt werden.

• Erfahrungen mit gängigen Deep-Learning-Datentypen und Modellarchitekturen sammeln

• die Anreicherung von Datensätzen durch Datenerweiterung zur Verbesserung der Modellgenauigkeit

• nutzt du Transfer-Learning zwischen Modellen, um mit weniger Daten und Rechenaufwand effiziente Ergebnisse zu erzielen

• baust du Selbstvertrauen auf, um dein eigenes Projekt mit einem modernen Deep-Learning-Framework in Angriff zu nehmen

Einführung

• Treffen Sie den Ausbilder.

• Erstellen Sie ein Konto unter courses.nvidia.com/join

Die Mechanik des Deep Learning

Erforschen Sie die grundlegenden Mechanismen und Werkzeuge für das erfolgreiche Training von tiefen neuronalen Netzen:

• Trainieren Sie Ihr erstes Computer-Vision-Modell, um den Trainingsprozess zu erlernen.

• Einführung von neuronalen Faltungsnetzen zur Verbesserung der Vorhersagegenauigkeit bei Bildverarbeitungsanwendungen.

• Anwendung der Datenerweiterung zur Verbesserung eines Datensatzes und zur Verbesserung der Modellgeneralisierung.

Vortrainierte Modelle und rekurrente Netze

Nutzen Sie vortrainierte Modelle, um Herausforderungen im Bereich Deep Learning schnell zu lösen. Trainieren Sie rekurrente neuronale Netzwerke auf sequenziellen Daten:

• Integrieren Sie ein vorab trainiertes Bildklassifizierungsmodell, um eine automatische Hundetür zu erstellen.

• Nutzen Sie Transfer Learning, um eine personalisierte Hundetür zu erstellen, die nur Ihren Hund hereinlässt.

• Trainieren Sie ein Modell zur automatischen Vervollständigung von Text auf der Grundlage von Schlagzeilen der New York Times.

Abschlussprojekt: Objektklassifizierung

Erstellen Sie mit Hilfe von Computer Vision ein Modell, das zwischen frischem und verdorbenem Obst unterscheidet:

• Erstellen und trainieren Sie ein Modell, das Farbbilder interpretiert.

• Erstellen Sie einen Datengenerator, um das Beste aus kleinen Datensätzen herauszuholen.

• Verbessern Sie die Trainingsgeschwindigkeit durch die Kombination von Transferlernen und Merkmalsextraktion.

• Erörterung fortgeschrittener neuronaler Netzarchitekturen und aktueller Forschungsbereiche, in denen die Studierenden ihre Fähigkeiten weiter verbessern können.

Abschließende Überprüfung

• Besprechen Sie die wichtigsten Erkenntnisse und beantworten Sie Fragen.

• Schließen Sie die Bewertung ab und erhalten Sie ein Zertifikat.

• Füllen Sie die Workshop-Umfrage aus.

• Erfahren Sie, wie Sie Ihre eigene Entwicklungsumgebung für KI-Anwendungen einrichten können.

Das Training richtet sich an

• Datenbankspezialisten

• Data Engineers

• Softwareentwickler

• technische Entscheidungsträger

Ein Verständnis grundlegender Programmierkonzepte in Python 3, wie Funktionen, Schleifen, Dictionaries und Arrays; Vertrautheit mit Pandas-Datenstrukturen und ein Verständnis für die Berechnung einer Regressionslinie.