Neuronale Netze mit Python, Tensorflow & Keras

Deep Learning ist das Versprechen des Machine Learnings für komplexe Probleme intelligente Lösungen zu finden. Was als Experimentierfeld begann, ist zum Arbeitstier der Data Sciences geworden. Neuronale Netze automatisieren heute Vorgänge in einer Vielzahl von Geschäftsfeldern. Dazu hat unter anderem die Entwicklung von High-Level APIs wie Keras beigetragen, die das Training und den Einsatz neuronaler Netze in der Produktion erleichtern. Das Seminar Neuronale Netze mit Python, Tensorflow & Keras gibt eine Einführung in die Grundlagen neuronaler Netze und in die praktische Arbeit mit Tensorflow und Keras. Dabei geht es um die Verarbeitung numerischer Daten ebenso wie um die Verarbeitung von Bild- und Textdaten. Inhaltlich widmet sich das Seminar zunächst der Arbeitsweise neuronaler Netze ausgehend von einfachen Neuronen (Sigmoid-Funktionen) und dem Backpropagation-Lernprinzip. Danach stehen der Aufbau und das Training neuronaler Netze mit Python, Tensorflow und der High-Level API Keras auf dem Programm. Im dritten Teil geht es um die Verarbeitung von Bilddateien mit konvolutionalen Netzen (CNN) und um die Verarbeitung von Text- und Zeitreihendaten mit rekurrenten Netzen (RNN).

Einführung: Wie lernen Neuronale Netze?

• Arbeitsweise einzelner Neuronen (Sigmoid)

• Aufbau neuronaler Netze

• Zentrale Konzepte anschaulich erklärt: Verlustfunktion, Gradient Descent, Backpropagation

Neuronale Netze aufbauen und trainieren

• Trainings- und Testdaten separieren

• Graphen mit Tensorflow erstellen

• Ein einfaches Netz mit Keras aufbauen und trainieren

• Angelernte Modelle speichern und laden

• Overfitting mit Dropout-Layern verhindern

• Überwachung des Anlernprozesses mit TensorBoard

Maschinelles Sehen: Konvolutionale neuronale Netze (CNN)

• Hintergrund: Wie arbeiten konvolutionale Netze (CNN)?

• Konvolutionale Layer (CNN) mit Keras aufbauen und trainieren

• Vortrainierte CNN Layer einsetzen

Mit Sequenzdaten arbeiten: Rekurrente neuronale Netze (RNN)

• Hintergrund: Neuronale Netze mit Gedächtnis (Feedforward vs. RNN)

• Sequenzdaten mit SimpleRNN und LSTM (Long Short-Term Memory) verarbeiten

• Sequenzdaten mit 1D-CNN verarbeiten

Feature Extraction: Numerische Daten, Bild und Text-Daten vorbereiten

• Datenrepräsentation: Skalare, Vektoren & Matrizen

• Daten einlesen, vorbereiten und beschreiben mit Pandas

• Graphische Beschreibung der Daten mit Matplotlib

• Verarbeitung qualitativer Merkmale (One-hot Kodierung)

• Standardisierung von Daten

• Dimensionen von Daten reduzieren (Principle Component Analysis (PCA))

• Bilddateien transformieren

• Textdaten vorbereiten: Vectorizer, Worteinbettungen

Die Schulung Neuronale Netze mit Python, Tensorflow & Keras richtet sich an Data Scientists mit Grundlagenwissen in Python und Vorkenntnissen in Data Science/Machine Learning. Ziel des Seminars ist es, den Teilnehmerinnen und Teilnehmern die praktischen Skills zu vermitteln, um eigenständige Deep Learning Lösungen für spezifische Anwendungsfälle in ihren jeweiligen Geschäftsfeldern zu entwickeln.

Die Teilnehmer des Trainings benötigen keine Erfahrung mit Neuronalen Netzen, sollten aber Grundlagenwissen in Python haben, mit Pandas Daten einlesen und einfache Machine Learning Algorithmen (Lineare Regression, Logistische Regression) verstehen und umsetzen können (als Vorbereitung empfiehlt sich der Kurs: Data Science mit Python).