Das Wichtigste in Kürze
- 3 Tage Live-Online-Kurs
- Zoom Meeting
- Python Grundkenntnisse erforderlich
- Theorie und Praxis
- 60% Coding-Anteil
Vorteile
- 3-tägige Schulung mit Live-Online-Unterricht
- 90 Minuten Unterrichtsblöcke mit theoretischen und praktischen Einheiten
- Teilnehmer bearbeiten Übungsaufgaben selbstständig
- Kommunikation mit Dozenten wird ermöglicht
Nachteile
- Fest vorgegebene Start- und Endzeiten
Der Kurs bietet eine Einführung in Deep Learning Algorithmen für die KI Bilderkennung in Python. Die Teilnehmer arbeiten hierfür im Rahmen der Schulung auf einer eigenen leistungsfähigen GPU in der Cloud. Für die Teilnahme an dieser Schulung sind Grundkenntnisse in Python oder solide Kenntnisse in einer anderen Programmiersprache erforderlich. Das Online-Seminar dauert 3 Tage und beinhaltet Live-Unterricht per Zoom Meeting. Die Gruppengröße wird von Enable AI auf maximal 10 Teilnehmer begrenzt. Um langwierige Theorieteile zu vermeiden, wechseln sich die theoretischen Einheiten mit praktischen Übungen ab. Allerdings überwiegt der praktische Teil mit einem Coding-Anteil von 60%. Ein Zertifikat erhalten die Teilnehmer nach Abschluss des Kurses nicht.
Zielgruppe
Der Kurs wurde für IT-Fachkräfte entwickelt, die sich Wissen im Bereich Python Bilderkennung mit Deep Learning Algorithmen aneignen möchten und. Außerdem eignet sich der Kurs für alle Teilnehmer, die lernen möchten, wie Deep Learning Algorithmen in Keras programmiert werden.
Ziele
Ziel des Kurses ist die Programmierung von Bilderkennungen mit KI Algorithmen in Python unter Verwendung von Keras. Hierfür beinhaltet der Kurs eine Einführung in Neuronale Netze und die am häufigsten eingesetzten Deep Learning Bildverarbeitungs-Algorithmen. Die Teilnehmer lernen in den praktischen Übungen mit dem Framework Keras in Python high-performance GPUs Algorithmen für die KI Bilderkennung zu programmieren.
Inhalte
Die Schulung beinhaltet 3 Tage Live-Online-Unterricht, der die folgenden Themen behandelt:
- Grundlagen von Machine Learning und Künstlicher Intelligenz
- Einführung Deep Learning
- Künstliche Intelligenz, Deep Learning und Machine Learning
- Anwendungsbeispiele von Deep Learning Algorithmen
- Datenvorbereitung
- Overfitting beim Trainieren von Machine Learning Algorithmen
- Train-Validation-Test Datensplit zur Detektion von Overfitting
- Datennormalisierung
- One-Hot encoding
- Anwendung auf MNIST Datensatz
- Multi-Layer-Perceptron (MLP) in Keras/Tensorflow
- Wichtige Elemente eines MLPs
- Perceptron, Gewichte, Bias
- Non-linearities Aktivierungsfunktionen
- Softmax bei Klassifizierungsaufgaben
- Wichtige Elemente eines MLPs
- Netzwerk trainieren und auf neue Daten anwenden
- Unterschiedliche Loss-Funktionen
- Backpropagation – trainieren von Gewichten
- Gewichte initialisieren
- Epoche und Batch-Size
- Interpretation des Outputs während des Trainings
- Verwendung für die Vorhersage neuer Daten
- Convolutionial Neural Network (CNN)
- Convolution Layer (Faltungsschicht)
- Filter
- Padding
- Stride
- Anzahl an Channel und Filter in der Faltung
- Bias
- Max-Pooling Layer
- Keras Callbacks
- Callback in Keras umsetzen
- Model Gewichte und Architektur speichern
- Early Stopping
- Training Rate Scheduler
- MLFLow zur Visualisierung des Trainingsverlaufs
- Klassifizierung von Bildern
- Softmax-Layer
- Cross Entropy Loss
- tf.data zur Bearbeitung großer Datensätze
- Vorstellung der Netzwerkarchitekturen VGG-16 und AlexNEt
- Regularisierungen:
- L2 Regularisierung
- Drop-out
- Batch
- Detektion von Objekten durch Bounding Boxes
- Netzwerk mit zwei Outputs
- Mean-Squared-Error
- Cross-Entropy Loss
- Intersection Over Union (IoU)
- Semantische Segmentierung (pixelweise Klassifizierung)
- Cross-Entropy Loss für Multiclass Segmentierung
- Mean IoU in der semantischen Segmentierung
- Vorstellung der Netzwerkarchitektur U-Net
- Up-Convolution
- Transpose Covolution
- Training mit wenigen Daten
- Erweiterung des Trainings-Datensatzes durch Data Augmentation
- Umsetzung in Keras
Dozent/-en
Abgehalten wird der Kurs von Dr. Rolf Köhler, dessen Forschungsschwerpunkte bei der Promotion Machine Learning und Bildverarbeitung waren. Dr. Köhler arbeitet seit 2015 in der Industrie im Bereich Deep Learning und widmet sich dem autonomen Fahren und der visuellen Fehlerinspektion.
Kosten und Bezahlung
Die Kursgebühren betragen inklusive MwSt. 1.963,50€ pro Person. Die Kosten sollten zwei Wochen vor Kursbeginn beglichen sein. Nach der Buchung kann die Zahlung per Überweisung vorgenommen werden.
Teilnahmevoraussetzungen
Die Teilnehmer müssen sowohl fachliche als auch technische Anforderungen erfüllen.
Fachliche Voraussetzungen
Für die Teilnahme an dem Kurs werden Grundkenntnisse in Python vorausgesetzt. Alternativ reichen auch solide Kenntnisse in einer anderen Programmiersprache aus. Zusätzlich benötigen Teilnehmer Erfahrungen mit Bilddaten. Von Vorteil sind auch die folgenden Kenntnisse:
- Schreiben einer Funktion in Python
- Laden von Python-Modulen
- Einfache Plots mit Matplotlib erstellen
- Grundfunktionen der Numby Bibliothek
- Verständnis von Bildern als Matrix von Farbkanälen
Sinnvoll sind außerdem grundlegende Statistik- und Mathematik-Kenntnisse:
- Mittelwert
- Median
- Standardabweichung
- Normalverteilung
- Summenzeichen
- Integral
- Funktion
- Ableitung
- Exponentialfunktion
Da die Python-Dokumentationen in Englisch sind, sollten die Teilnehmer entsprechende Sprachkenntnisse besitzen, um diese zu verstehen.
Technische Voraussetzungen
Um am Live-Online-Unterricht teilnehmen zu können benötigen die Teilnehmer einen PC oder ein Notebook mit Internetzugang. Die Teilnehmer arbeiten auf einer eignen GPU in der Cloud, auf der sie über den Webbrowser zugreifen. Benötigt wird daher eine aktuelle Version eines gängigen Webbrowsers, wie etwa Chrome, Safari, Edge, Opera oder Firefox. Benötigt wird außerdem ein Headset, um kommunizieren zu können. Empfehlenswert ist außerdem die Nutzung einer Webcam und eines zweiten Bildschirms.
Medium – Wie wird das Wissen vermittelt?
Das Wissen wird bei diesem Kurs via Live-Online-Unterricht vermittelt. Der Unterricht ist in Blöcke mit jeweils 90 Minuten unterteilt und beinhaltet Theorie- und Praxiseinheiten. Bei der Gestaltung des Unterrichts wurde darauf geachtet, dass sich die theoretischen Einheiten mit praktischen Einheiten abwechseln und die Blöcke dadurch nicht zu eintönig werden.
Interaktion – Dozenten/Teilnehmer-Kommunikation
Da es sich bei diesem Kurs um eine Schulung mit Live-Online-Unterricht handelt, können die Teilnehmer mit dem Dozenten kommunizieren. Fragen, die während der Bearbeitung der Aufgaben gestellt werden, werden im direkten Gespräch beantwortet. Sollte die Frage für alle Teilnehmer relevant sein, kann es auch sein, dass die Beantwortung für die gesamte Gruppe erfolgt.
Bildungsurlaub & Bildungsgutschein
Bei Enable AI können die Teilnehmer für die Weiterbildung den Bildungsscheck Nordrhein-Westfalen und die Bildungsprämie verwenden. Andere Bildungsgutscheine akzeptiert der Anbieter nicht.
Kundenservice
Bei Fragen zum Kursangebot oder den Weiterbildungsmöglichkeiten über Enable AI ist der Kundenservice per Telefon oder E-Mail erreichbar. Außerdem kann das Kontaktformular auf der Webseite des Anbieters verwendet werden.
Fazit
Der Kurs »KI Bilderkennung in Python – Deep Learning mit Keras« zeigt, wie eine KI Bilderkennung mit Python umgesetzt werden kann. Die Kursinhalte beinhalten eine Einführung in Neuronale Netze und die Bildverarbeitungs-Algorithmen im Deep Learning. Der Kurs erfordert Python Grundkenntnisse oder solide Kenntnisse in einer anderen Programmiersprache. Zusätzlich werden Mathematik- und Statistik-Kenntnisse vorausgesetzt. Die 3-tägige Schulung beinhaltet Live-Online-Unterricht mit jeweils 90-minütigen Blöcken. Die Lerneinheiten bestehen sowohl aus Theorie als auch Praxis. Wobei der praktische Anteil jedoch überwiegt.
Anbieter
Eckdaten
| Inhaltstyp: | Eigene Inhalte |
| Bezahlmethode: | Überweisung |
| Medien: | Multimedia |
| Kundensupport: | E-Mail, Telefon, Web-Formular |
| Mobile App: | Nein |
| Offlinenutzung: | Nein |
| Zertifikate: | Kursabhängig |
Vorteile
- alle Inhalte auch individuell für Unternehmen buchbar
- praxisorientierte Inhalte mit mindestens 50 Prozent Übungsaufgaben
- Geld-zurück-Garantie bei mehrtägigen Webinaren
- kleine Schulungsgruppen
Nachteile
- nur eine Bezahlmethode verfügbar
