DEEP LEARNING / KI MIT TENSORFLOW-KERAS
Online-Seminar an 3 Tagen: 1.750,00 € pro Person (netto)
Einführung in Deep Learning-Algorithmen, insbesondere im Bereich der Bildverarbeitung mit Fokus auf überwachtes und semi-überwachtes Lernen!
LERNZIELE UND AGENDA
Ziele:
-
Verständnis und Anwendung von MLP und CNN
-
Kenntnis wichtiger Layer wie ReLU, Dense, Conv2D, Max-Pooling, usw.
-
Überwachung des Trainings mit Keras Callbacks
-
Erkennen und Umgang mit Overfitting und verschiedenen Datensätzen (Training, Test, Validierung)
-
Klassifizierung von Bildern
-
Anwendung von Semi Supervised Learning
-
Training von Netzwerken mit begrenzten Daten
-
Verwendung vortrainierter Netzwerke (Fine-Tuning, Transfer Learning)
-
Schulung mit GPUs und Einrichtung einer nutzbaren GPU-Umgebung
Tag 1
Grundlagen
-
kurze Einführung in Machine Learning und Künstliche Intelligenz (KI)
-
Beziehung zwischen KI, Deep Learning und Machine Learning·
-
Beispiele für Deep Learning-Algorithmen in heutigen Produkten
Daten
-
Overfitting
-
Aufteilung der Daten in Trainings-, Validierungs- und Testsets
-
One-Hot-Encoding
-
Datennormalisierung
-
Anwendung auf den MNIST-Datensatz
MLP (Multi Layer Perceptron)
-
Grundkomponenten eines MLPs: Perceptron, Gewichte, Bias
-
Nichtlinearitäten (Aktivierungsfunktionen)
-
Verwendung von Softmax für Klassifikationsaufgaben
Training und Anwendung eines Netzwerks
-
Verschiedene Loss-Funktionen
-
Backpropagation: Training der Gewichte
-
Initialisierung der Gewichte
-
Epoche und Batch-Size
-
Interpretation der Ausgabe während des Trainings
-
Verwendung des trainierten Netzwerks zur Vorhersage neuer Daten
Tag 2
Convolutional Neural Networks (CNNs)
-
Einführung in Convolutional Neural Networks (CNN)
-
Erklärung der Convolution Layer (Faltungsschicht)
-
Bedeutung von Filtern
-
Verwendung von Padding und Stride bei der Convolution
-
Anzahl der Channels und Filter in der Faltungsschicht
-
Verwendung von Max-Pooling Layern
Eingreifen in die .fit() Funktion (Callbacks)
-
Implementierung eines Callbacks in Keras
-
Speicherung von Modellgewichten und Architektur
-
Verwendung von Early Stopping
-
Anpassung der Lernrate mit Learning Rate Scheduler
-
Visualisierung des Trainingsverlaufs mit MlFlow
Klassifizierung von Bildern:
-
Verwendung des Softmax-Layers für Klassifikationsaufgaben
-
Cross-Entropy Loss-Funktion
-
Verwendung von Regularisierungstechniken wie L2 Regularisierung, Drop-Out und Batch Normalisation
-
Laden eines trainierten Modells
Tag 3
Datenmanagement mit TF.Data:
-
Ein typischer Datenworkflow mit tf.data
-
Umgang mit großen Datensätzen
-
Beschleunigung des Einlesens von Daten
Semi Supervised Learning (SSL):
-
Überblick über Semi Supervised Learning
-
Verwendung des SimCLR-Modells für Semi Supervised Learning
-
Erstellung eines benutzerdefinierten tf.keras-Modells
-
Verwendung des Contrastive Loss
Best Practices:
-
Herangehensweise an eine neue Deep Learning-Aufgabe
-
Hyperparameter-Optimierung
-
Modell-Optimierung nach dem Training
Fine-Tuning und vortrainierte Netzwerke:
-
Vorstellung weiterer bekannter Netzwerkarchitekturen wie Inception-V3 und ResNet
-
Auffinden von (bereits trainiertem) Code für Netzwerke
-
Verwendung vortrainierter Netzwerke und Fine-Tuning für eigene Aufgaben (Transfer Learning)
INHALT
Das 3-tägige Seminar "Deep Learning / KI mit Tensorflow - Keras" bietet eine Einführung in Deep Learning-Algorithmen, insbesondere im Bereich der Bildverarbeitung mit Fokus auf überwachtes und semi-überwachtes Lernen. Deep Learning-Algorithmen gehören zu den bedeutendsten Verfahren im Maschinellen Lernen und sind bereits weitreichend in unseren Alltag integriert. Im Rahmen des Seminars erlernen die Teilnehmer die Trainingsprozesse zur Erstellung geeigneter Modelle für Klassifikation und Schätzung von neuen Daten.Sie erlernen schrittweise die grundlegenden Aspekte des Programmierens von Deep Learning-Algorithmen in Tensorflow/Keras. Der Kurs behandelt die Aufbereitung und das sequentielle Einlesen großer Datensätze während des Trainings, die Erstellung tiefer neuronaler Netze sowie verschiedene Konfigurationen und die Anwendung trainierter Modelle auf neue Daten.
Das Seminar vermittelt Schritt für Schritt das Programmieren von Deep Learning-Algorithmen in Tensorflow/Keras. Themen wie Datenaufbereitung, das sequentielle Einlesen großer Datenmengen während des Trainings, der Aufbau tiefer neuronaler Netze sowie verschiedene Trainingskonfigurationen und die Anwendung trainierter Modelle auf neue Daten werden ausführlich behandelt.
Das Seminar umfasst eine detaillierte Besprechung gängiger Varianten von Deep Neural Networks und deren Komponenten. Die Inhalte werden mithilfe von Präsentationsfolien und Flipcharts vermittelt und durch praxisnahe Übungen vertieft.
Die behandelten Algorithmen finden breite Anwendung in Industriebranchen wie:
-
Symbolerkennung (z. B. Zahlen und Buchstaben)
-
Überwachung von Produktionsprozessen zur Fehlererkennung und Verschleißanalyse von Bauteilen
-
Analyse von Texturen und Oberflächen
-
Automatisches Tagging von Bildern zur Unterstützung einer textbasierten Bildsuche
Es werden die gängigsten Arten von Künstlichen Neuronalen Netzen theoretisch behandelt und deren Komponenten besprochen. Dazu gehören unter anderem das Multi Layer Perceptron (MLP) für allgemeine Aufgaben, das Convolutional Neural Network (CNN) für die Verarbeitung von Bilddaten und SimCLR für Semi Supervised Learning. In praktischen Übungen mit Python und dem Keras/Tensorflow-Framework werden diese Netze unter Verwendung von leistungsstarken GPUs implementiert.
Der Workshop vermittelt schrittweise die wesentlichen Aspekte der Umsetzung von Deep Learning-Algorithmen mit der Keras-Bibliothek in Tensorflow. Themen wie Datenaufbereitung, das sequentielle Einlesen großer Datensätze während des Trainings, der Aufbau von Netzen, verschiedene Trainingskonfigurationen und die Anwendung trainierter Modelle auf neue Daten werden behandelt.
Python ist die am häufigsten verwendete Sprache im Bereich des Deep Learning, und Keras/Tensorflow zählen zu den beliebtesten Bibliotheken für die einfache Implementierung von Deep Learning-Algorithmen.
Im Seminar werden Anwendungsfälle des supervised Learning, insbesondere die Klassifikation von Bildern, sowie das Semi Supervised Training und Transfer Learning mit begrenzten Daten behandelt. Dabei lernen die Teilnehmer die Leistungsfähigkeit der Algorithmen kennen und erhalten Lösungsansätze für typische Probleme während des Trainings, wie z.B. die Regularisierung.
Die Teilnehmer entwerfen einfache Neuronale Netze mit verschiedenen Schichten (Layern) und setzen sie mithilfe von Keras/Tensorflow in Python in der Cloud mit Jupyter Notebooks um. Die Schulung vermittelt die Grundlagen, so dass die Teilnehmer nach Abschluss des Seminars in der Lage sind, Deep Learning-Algorithmen der Künstlichen Intelligenz zu programmieren, weitere Anwendungsfälle eigenständig zu erschließen und das Gelernte auf eigene Problemstellungen anzuwenden.