Deep Learning

Level:

Fortgeschritten

Datum:

Auf Nachfrage

Dauer:

5 Tage

Kursbeschreibung

Dieser Kurs richtet sich an Developer, die einen Übergang zu Data Science erwägen, oder an technische Analysten, die ihre ersten Schritte im fortgeschrittenen Machine Learning machen möchten.

Der Kurs umfasst sowohl theoretische Erklärungen, als auch praktische Aufgaben, mit einem besonderen Schwerpunkt auf dem letzten Teil (60-65% des Kurses). Das Hauptziel besteht darin, dass die Teilnehmer mit „echten“ Problemen konfrontiert werden, die Herausforderungen dieser erfahren und in diesem Prozess unter Anleitung des Kursleiters Lösungen auf dem neuesten Stand der Technik umsetzen.

Zielgruppe

Analysten/Developer mit mindestens einem Jahr Programmiererfahrung (idealerweise auch Erfahrung in Python) und mittleren Statistik-/Analytik-Kenntnissen.

Überblick über den Kurs

Tag 1

Einführung in den Kurs

Was ist Deep Learning?

  • Einführung und Hauptkonzepte
  • Geschichtliche Entwicklung
  • Machine Learning vs. Deep Learning
  • Applikationen

Bias-variance trade-off

  • Underfitting
  • Overfitting

Über Python/Jupyter

  • Scripten online ausführen
  • Google Colab
  • GPU vs. CPU

Perceptrons und Single-Layer-Netzwerk: Theorie

  • 1-D-Perceptron
  • Mehrdimensionale Eingabe
  • Gewichte und Verzerrungen in der Matrixnotation

Perceptrons und Single-Layer-Netzwerk: Praxis

  • Klassifikationsprobleme

 

Tag 2

Künstliche Neuronale Netze

  • Perceptrons verbinden
  • Netzwerk-Architekturen
  • Forward Propagation und Batch-Normalisierung

Gradient Descent and Backpropagation

  • Verlustfunktion
  • SGD vs ADAM
  • Dropout und Early Stopping zur Regulierung

Daten-Augmentation

  • Rotations
  • Translation
  • Noise

Convolutional Neural Networks: Theorie

  • Convolution as a operator

Convolutional Neural Networks: Praxis

  • CNN’s zur Erkennung von Handschriftzeichen

Tag 3

Reinforcement Learning

  • Supervised, Unsupervised vs. Reinforcement Learning
  • Agents, Environment, State, Actions, Rewards
  • Model Constraints
  • Markov Chains
  • Fallstudie: Traveling Salesman Problem

Deep Reinforcement Learning Algorithmen

  • Policy Learning
  • Q-Learning
  • Exploration vs. Exploitation

Wiederkehrende Neuronale Netzwerke: Theorie

Wiederkehrende Neuronale Netzwerke: Praxis

 

Tag 4

Verarbeitung natürlicher Sprache

  • Use cases
  • Lemmatisation
  • Tokenisation

Optimierung großer Neuronaler Netze

  • Learning Rate
  • Batch Size
  • Gradient checkpoint

Stimmungsanalyse

Text-Generierung: Theorie

Text-Generierung: Praxis

 

Tag 5

Rekurrente Neuronale Netzwerke

  • Network Structure
  • Sequential Data
  • Time series
  • Vanishing / Exploding gradient problem

Long Short Term Memory

  • Hidden states
  • Cell functioning

Fragen, Anregungen, etc.