Neuronale Netze mit Python, Tensorflow & Keras
Einführung in die Grundlagen neuronaler Netze
Zu den TerminenDeep 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).
Inhalte
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
Neuronale Netze mit Python, Tensorflow & Keras Zielgruppe:
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.
Neuronale Netze mit Python, Tensorflow & Keras Voraussetzungen:
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).
Schulungen, die dich interessieren könnten
Unternehmen in Deutschland, Österreich und der Schweiz, die uns vertrauen
Das sagen unsere Kunden
Wir arbeiten ständig daran uns zu verbessern. Dafür sind wir auf das Feedback unserer Kunden angewiesen.

Kompetentes Online-Training mit Learning by Doing. Besser geht nicht. Jeannette M.
Sehr gute Planung und Organisation aller Microsoft Office Schulungen. Incas Training ist sehr zu empfehlen! Christopher M.
Toller Service. Hatte auf Ihrer Seite KOSTENLOS den Weg gefunden, sämtliche Animationen mit einem Schritt zu entfernen. Hat super geklappt. Vielen lieben Dank dafür. Wenn ich schon nichts bezahlen muss, dann wenigstens eine passenden Bewertung :-) Thomas S.