Neuronale Netze bestehen aus Neuronen, die miteinander verbunden sind und Informationen austauschen. Mit neuronalen Netzen können wir Daten analysieren. Sie lernen aus den Daten. Sie erkennen Zusammenhänge und Muster in Daten. Daraus bauen sie Modelle, mit denen wir Vorhersagen treffen können, Entscheidungen fällen und planen können. Dies ist ein Zweig der KI.
Wir erklären die Funktionsweise neuronaler Netze.
Wir zeigen die Lerntypen:
- Supervised Learning (Überwachtes Lernen)
- Unsupervised Learning (Unüberwachtes Lernen)
- Reinforcement Learning (Bestärkendes Lernen)
Wir zeigen den Standard-Workflow: Daten aufbereiten, visualisieren, analysieren, Modell bilden, vorhersagen, entscheiden, planen.
Python und Jupyter sind sehr gut für neuronale Netze geeignet. Tensorflow und PyTorch sind Python-Bibliotheken für neuronale Netze. Jupyter ist ein interaktives Notebook.
Sie lernen die Konzepte der neuronalen Netze in anschaulichen Beispielen in Python mit Tensorflow und PyTorch. Sie lernen selbständig Aufgaben mit neuronalen Netzen zu lösen.
Sie bekommen die Programmbeispiele und die Aufgaben mit Lösungen. Sie bekommen einen Spickzettel für alle Konzepte der neuronalen Netze und ein eBook: „Neuronale Netze mit Python, Tensorflow und PyTorch“.
Zielgruppe
- Programmierer*innen in Python
- Datenanalytiker*innen
Voraussetzungen
- Kenntnisse in Python
Inhalt
- Grundlagen neuronaler Netze
- Neuronen
- Aktivierungsfunktionen
- Schichten
- Die Lerntypen
- Supervised Learning (Überwachtes Lernen)
- Unsupervised Learning (Unüberwachtes Lernen)
- Reinforcement Learning (Verstärkendes Lernen)
- Typen neuronaler Netze
- Feedforward Neural Networks (FNN)
- Convolutional Neural Networks (CNN)
- Recurrent Neural Networks (RNN)
- Long Short-Term Memory (LSTM )
- Gated Recurrent Unit (GRU)
- Autoencoder
- Generative Adversarial Networks (GANs)
- Transformer-Netze
- Einführung in TensorFlow und PyTorch
- Beispiele aus der Praxis
- Klassifikation mit einfachen Netzwerken
- Bildverarbeitung mit Convolutional Neural Networks (CNNs)
- Textverarbeitung mit Recurrent Neural Networks (RNNs)
- Best Practises für den Einsatz von neuronalen Netzen
Den ausführlichen Inhalt teilen wir Ihnen gerne auf Anfrage mit.
Wir können diesen Kurs auch gerne auf eine der Bibliotheken konzentrieren (Tensorflow oder PyTorch).
Dauer
- 2 Tage (Standard) oder 4 Tage (intensiv)
- Jeweils 9-16 Uhr, 1 Stunde Mittagspause
Kosten
Kosten für 2 Tage.
| Online pro Person | 980,– € |
| Präsenz in München pro Person | 1.380,– € |
| Präsenz in Deutschland pro Person | 1.780,– € |
| Inhouse in München für 2 Personen | 1.600,– € |
| Inhouse in Deutschland für 2 Personen | 2.000,– € |
Kosten
Kosten für 4 Tage.
| Online pro Person | 1.840,– € |
| Präsenz in München pro Person | 2.640,– € |
| Präsenz in Deutschland pro Person | 3.440,– € |
| Inhouse in München für 2 Personen | 2.600,– € |
| Inhouse in Deutschland für 2 Personen | 3.400,– € |