KI Bilderkennung in Python - Deep Learning mit Keras

Kurs mit Keras-Tensorflow. Grundlagen von Machine Learning Bilderkennung

Dieser dreitägige Kurs fokussiert sich auf das Thema Bildverarbeitung in Deep Learning.

  • Sie erlernen die Bildklassifizierung, Objektdetektierung mit Bounding Boxes und Semantische Segmentierung.
  • Verwendet werden können diese Algorithmen, z.B. in der Qualitäts-/Produktionsüberwachung um Fehler zu finden und zu klassifizieren.
  • Sie lernen die Neuronale Netzwerkarchitekturen Multi Layer Perceptron (MLP) und Convolutional Neural Network (CNN) kennen.
  • Verwendet wird das Framework Tensorflow/Keras.
  • Programmiererfahrung wird vorausgesetzt, idealerweise (aber nicht zwingend notwendig) in Python.

 

Dieser dreitägige Kurs fokussiert sich auf das Thema Bildverarbeitung in Deep Learning.

  • Sie erlernen die Bildklassifizierung, Objektdetektierung mit Bounding Boxes und Semantische Segmentierung.
  • Verwendet werden können diese Algorithmen, z.B. in der Qualitäts-/Produktionsüberwachung um Fehler zu finden und zu klassifizieren.
  • Sie lernen die Neuronale Netzwerkarchitekturen Multi Layer Perceptron (MLP) und Convolutional Neural Network (CNN) kennen.
  • Verwendet wird das Framework Tensorflow/Keras.
  • Programmiererfahrung wird vorausgesetzt, idealerweise (aber nicht zwingend notwendig) in Python.

 

(*) zzgl. MwSt  (**) inkl. MwSt
Termin (3 Tage) Ort Belegung Preise
Mo 03.06 -
Mi 05.06.24
Live-Online
Zoom Meeting

FINDET
STATT
1.750,00  (*)
2.082,50  (**)
Mi 11.09 -
Fr 13.09.24
Live-Online
Zoom Meeting
1.750,00  (*)
2.082,50  (**)
Inhouse-/Firmenschulung:
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Kurs auf einen Blick

Über die Schulung

  • Dauer: 3 Tage
  • Gruppengröße: 3-10
  • Level: Anfänger mit Programmiererfahrung
  • Anteil Coding: 60%
  • Sprache: Python
  • Bibliotheken: Keras, Tensorflow, matplotlib, numpy
  • Skript: .pdf (Theorie, Aufgaben & Lösungen)

Ihr Trainer für den Kurs

Seminar auf einen Blick

  • Multi-Layer-Perceptron (MLP)
  • Convolutional Neural Network (CNN)
  • Wichtige Layer: ReLU, Dense, Conv2D, Max-Pooling,…
  • Objektdetektion mit Bounding Boxes
  • Bildklassifizierung, Semantische Segmentierung
  • Overfitting & Trainings-, Test- und Validierungdaten
  • Trainingsüberwachung mit Keras Callbacks
  • Netzwerke mit wenig Daten trainieren
  • Tipps, wie man eine neue DL Aufgabe angeht
  • Schulung mit GPUs + GPU Setup danach nutzbar

Beschreibung des Deep Learning Bilderkennung Kurs

Unser Deep Learning Kurs führt Deep Learning (DL) Algorithmen für den Bereich der KI Bilderkennung ein. Das Besondere ist, dass jeder Teilnehmer in dieser Schulung auf einer eigenen high-performance GPU (NVIDIA Tesla P100) in der Cloud rechnet. Bilderkennung programmieren zu erlernen mit vielen praxis-orientierten Aufgaben ist das Ziel der Schulung. DL Algorithmen sind derzeit eine der wichtigsten Algorithmusklasse des Maschinellen Lernens, einem Teilgebiet der Künstlichen Intelligenz (KI, englisch: Artificial Intelligence (AI)) und sind bereits in vielen Bereichen in unserem Alltag integriert.

Dieser Kurs hat seinen Schwerpunkt in der Bilderkennung mit KI Algorithmen. Drei häufige Anwendungsfelder mit Bilddaten im Bereich Maschinelles Lernen Bilderkennung werden behandelt: Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. In der Industrie werden die behandelten Algorithmen u.a. in folgenden Bereichen eingesetzt:

  • Erkennen von Symbolen (z.B. Zahlen und Buchstaben)
  • Produktionsüberwachung (das visuelle Erkennen von Fehlern/Verschleiß bei Bauteilen)
  • Pixel-weises Erkennen von Objekten / Menschen auf Dronen- bzw. Satellitenbildern,
  • Visuelle Defekterkennung während des Produktionsprozess
  • Erkennen von Objekten auf Kamerabildern, um so z.B. eine Sortierung, ein Greifen, o.ä. zu ermöglichen
  • Die Lagebestimmung von Objekten auf Bild/Videodaten erkennen,
  • Textur-/Oberflächenanalyse,
  • Das automatische Tagging von Bildern, z.B. zur Ermöglichung einer textuellen Bildsuche

Unser Deep Learning Kurs führt Deep Learning (DL) Algorithmen für den Bereich der KI Bilderkennung ein. Das Besondere ist, dass jeder Teilnehmer in dieser Schulung auf einer eigenen high-performance GPU (NVIDIA Tesla P100) in der Cloud rechnet. Bilderkennung programmieren zu erlernen mit vielen praxis-orientierten Aufgaben ist das Ziel der Schulung. DL Algorithmen sind derzeit eine der wichtigsten Algorithmusklasse des Maschinellen Lernens, einem Teilgebiet der Künstlichen Intelligenz (KI, englisch: Artificial Intelligence (AI)) und sind bereits in vielen Bereichen in unserem Alltag integriert.

Dieser Kurs hat seinen Schwerpunkt in der Bilderkennung mit KI Algorithmen. Drei häufige Anwendungsfelder mit Bilddaten im Bereich Maschinelles Lernen Bilderkennung werden behandelt: Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. In der Industrie werden die behandelten Algorithmen u.a. in folgenden Bereichen eingesetzt:

  • Erkennen von Symbolen (z.B. Zahlen und Buchstaben)
  • Produktionsüberwachung (das visuelle Erkennen von Fehlern/Verschleiß bei Bauteilen)
  • Pixel-weises Erkennen von Objekten / Menschen auf Dronen- bzw. Satellitenbildern,
  • Visuelle Defekterkennung während des Produktionsprozess
  • Erkennen von Objekten auf Kamerabildern, um so z.B. eine Sortierung, ein Greifen, o.ä. zu ermöglichen
  • Die Lagebestimmung von Objekten auf Bild/Videodaten erkennen,
  • Textur-/Oberflächenanalyse,
  • Das automatische Tagging von Bildern, z.B. zur Ermöglichung einer textuellen Bildsuche

Was lernen Sie im Kurs für Python Bilderkennung?

Diese Schulung führt in das Gebiet der Neuronalen Netze (Deep Learning Algorithmen) ein. Es werden die am häufigsten verwendeten Deep Learning Bildverarbeitungs Algorithmen (Neuronale Netze) theoretisch behandelt (u.a. Multi Layer Perceptron, Convolutional Neural Network) und in praktischen Übungen lernen Sie in Python mit den Framework Keras / Tensorflow mit high-performance GPUs Algorithmen für KI Bilderkennung zu programmieren. Python ist im Deep Learning die am häufigsten verwendete Sprache und Keras / Tensorflow ist eine der beliebtesten Bibliotheken zur einfachen Umsetzung von Deep Learning Algorithmen.

Verschiedene Neuronale Netze werden im Seminar auf unterschiedlichen Datensätzen trainiert. Wir behandeln typische Anwendungsfälle der Deep Learning Bilderkennung (Objektdetektion mit Bounding Boxes, Semantische Segmentierung, Bild-Klassifizierung). Dabei lernen wir die Leistungsfähigkeit der Algorithmen kennen und behandeln typische Probleme während des Trainings und deren Lösungsmöglichkeiten (u.a. Regularisierung während des Trainings).

Einfache Neuronale Netze mit verschiedenen Schichten (Layern) werden von den Teilnehmern entworfen und mit dem Framework Keras / Tensorflow in der Programmiersprache Python in der Cloud mit Jupyter Notebooks auf high-performance GPUs programmiert und trainiert. Es werden die Grundlagen vermittelt, um sich nach dem Seminar selbstständig weitere Anwendungsfälle im Deep Learning,  mit Fokus auf AI Bilderkennung, anzueignen und das Gelernte auf die eigene Problemstellungen anwenden zu können.

Diese Schulung führt in das Gebiet der Neuronalen Netze (Deep Learning Algorithmen) ein. Es werden die am häufigsten verwendeten Deep Learning Bildverarbeitungs Algorithmen (Neuronale Netze) theoretisch behandelt (u.a. Multi Layer Perceptron, Convolutional Neural Network) und in praktischen Übungen lernen Sie in Python mit den Framework Keras / Tensorflow mit high-performance GPUs Algorithmen für KI Bilderkennung zu programmieren. Python ist im Deep Learning die am häufigsten verwendete Sprache und Keras / Tensorflow ist eine der beliebtesten Bibliotheken zur einfachen Umsetzung von Deep Learning Algorithmen.

Verschiedene Neuronale Netze werden im Seminar auf unterschiedlichen Datensätzen trainiert. Wir behandeln typische Anwendungsfälle der Deep Learning Bilderkennung (Objektdetektion mit Bounding Boxes, Semantische Segmentierung, Bild-Klassifizierung). Dabei lernen wir die Leistungsfähigkeit der Algorithmen kennen und behandeln typische Probleme während des Trainings und deren Lösungsmöglichkeiten (u.a. Regularisierung während des Trainings).

Einfache Neuronale Netze mit verschiedenen Schichten (Layern) werden von den Teilnehmern entworfen und mit dem Framework Keras / Tensorflow in der Programmiersprache Python in der Cloud mit Jupyter Notebooks auf high-performance GPUs programmiert und trainiert. Es werden die Grundlagen vermittelt, um sich nach dem Seminar selbstständig weitere Anwendungsfälle im Deep Learning,  mit Fokus auf AI Bilderkennung, anzueignen und das Gelernte auf die eigene Problemstellungen anwenden zu können.

Besonderheit dieser Schulung für Deep Learning Bildverarbeitung

Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU, um die Neuronalen Netze im Bereich computer vision in Keras eigenständig programmieren und trainieren zu können. Der Zugang erfolgt im Seminar über den Webbrowser. So können typische Fragestellungen und Probleme, die in der realen, industriellen Umsetzung beim Rechnen mit GPUs auftreten, behandelt werden.

Vergleichen Sie unser Seminarangebot. Andere Deep Learning Schulungen bieten gar keine oder nur low-performance GPUs für die Teilnehmer.

Damit Sie direkt nach dem Kurs mit Deep Learning in Python Bilderkennung experimentieren können und das Gelernte weiter vertiefen können, übertragen wir Ihnen das komplette Seminar-Setup kostenlos (europäischer GPU-Host, Datenspeicherung in Europa, Linux Server), wobei Sie zusätzlich noch eine Woche GPU-Rechenzeit für den Einstieg erhalten (Kostenlose Registrierung beim GPU-Host notwendig. Sie erhalten ein Startguthaben, das etwa 30 h GPU-Rechenzeit entspricht. Die genaue Zeit variiert nach aktueller Preislage des GPU-Anbieters.).

Jeder Teilnehmer rechnet in der Cloud auf einer eigenen NVIDIA Tesla P100 GPU, um die Neuronalen Netze im Bereich computer vision in Keras eigenständig programmieren und trainieren zu können. Der Zugang erfolgt im Seminar über den Webbrowser. So können typische Fragestellungen und Probleme, die in der realen, industriellen Umsetzung beim Rechnen mit GPUs auftreten, behandelt werden.

Vergleichen Sie unser Seminarangebot. Andere Deep Learning Schulungen bieten gar keine oder nur low-performance GPUs für die Teilnehmer.

Damit Sie direkt nach dem Kurs mit Deep Learning in Python Bilderkennung experimentieren können und das Gelernte weiter vertiefen können, übertragen wir Ihnen das komplette Seminar-Setup kostenlos (europäischer GPU-Host, Datenspeicherung in Europa, Linux Server), wobei Sie zusätzlich noch eine Woche GPU-Rechenzeit für den Einstieg erhalten (Kostenlose Registrierung beim GPU-Host notwendig. Sie erhalten ein Startguthaben, das etwa 30 h GPU-Rechenzeit entspricht. Die genaue Zeit variiert nach aktueller Preislage des GPU-Anbieters.).

Rezensionen auf Google
Ilias Seifie
Weiterlesen
Ich habe an einem einwöchigen Kurs über Deep Learning teilgenommen. Die Kursmaterialien sind sehr gut und vollständig ausgearbeitet. Außerdem haben das Skript und auch der Kurs insgesamt eine sehr gute Struktur. Der Tutor ist sehr engagiert …
Aylin Keskin
Weiterlesen
Super Seminar ! (...) Die Inhalte waren sehr gut gegliedert und wurden absolut verständlich vermittelt. Insgesamt hat die Kombination aus theoretischen Inhalten und praktischen Übungen ein ganzheitliches Verständnis ermöglicht ...
Marvin
Weiterlesen
Sehr gutes Verhältnis aus Information und Zeit, sehr gute persönliche Ansprache, sehr angenehmer Vortrag ohne viel Bla-Bla. Insgesamt absolut zufrieden.
Martin Schlederer
Weiterlesen
Sehr hilfreicher Kurs um die praktischen basics von Künstlicher Intelligenz und neuronalen Netzwerken zu lernen. Theorie und Praxis in schneller Abwechslung um die gelernten Konzepte umzusetzen und zu üben ...
Alicia S.
Weiterlesen
Ein toller Kurs, durchgeführt mit geballter Expertise und einer Engelsgeduld bei der Beantwortung von Fragen und Behebung von Problemen. Ich habe in diesen drei Tagen enorm viel gelernt, ...
Voriger
Nächster
Kursinhalte

Organisatorisches

FAQ
Tag 1
Tag 2
Tag 3
09:00 – 09:15
Begrüßung und Organisatorisches
  • Vorstellungsrunde
  • Erwartungen der Teilnehmer
  • Jupyter Notebook
  • Rechnen in der Cloud
09:15 – 10:45
Grundlagen von Maschinellem Lernen und Künstlicher Intelligenz (KI)
  • Kurze Einführung und Geschichte des Deep Learning
  • KI, Deep Learning und Machine Learning
  • Beispiele von Deep Learning Algorithmen in heutigen Produkten
  • Ein erstes einfaches Netz selbstständig mit Keras umsetzen und trainieren
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Daten Vorbereitung
  • Overfitting beim Trainieren von Machine Learning Algorithmen
  • Train-Validation-Test Datensplit zur Detektion von Overfitting
  • Datennormalisierung
  • One-Hot encoding
  • Anwendung auf den MNIST Datensatz
12:30 – 13:30
Mittagspause
13:30 - 15:00
Multi-Layer-Perceptron (MLP) in Keras/Tensorflow (Neuronales Netz)
  • Wichtige Bauteile eines MLPs: Perceptron, Gewichte, Bias
  • Non-linearities (Aktivierungsfunktionen)
  • Softmax bei Klassifizierungsaufgaben
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Ein Netzwerk trainieren und auf neue Daten anwenden
  • Verschiedene Loss-Funktionen
  • Backpropagation: Trainieren von den Gewichten
  • Initialisierung der Gewichte
  • Epoche und Batch-Size
  • Den Output während des Trainings interpretieren
  • Das trainierte Netzwerk zur Vorhersage von neuen Daten verwenden
09:00 – 09:15
Rückblick und offene Fragen von Tag 1
09:15 – 10:45
Convolutional Neural Network (CNN) – Teil I
  • Ein Convolution layer (Faltungsschicht)
  • Filter
  • Padding und Stride bei der Convolution
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Convolutional Neural Network (CNN) – Teil II
  • Anzahl an Channel und Filter in der Faltung
  • Bias im CNN
  • Max-Pooling Layer
  • Was lernt ein CNN auf den unterschiedlichen Layern?
12:30 – 13:30
Mittagspause
13:30 - 15:00
Keras Callbacks
  • Einen Callback in Keras umsetzen
  • Model Gewichte und Architektur speichern
  • Early Stopping
  • Training Rate Scheduler
  • MLFlow zur Visualisierung des Trainingsverlaufs
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Klassifizierung von Bildern
  • Softmax-Layer
  • Cross-Entropy Loss
  • tf.data, um mit größeren Datensätzen zu arbeiten
  • Vorstellung bekannter Netzwerkarchitekturen: VGG-16 und AlexNet
  • Regularisierungen: L2 Regularisierung, Drop-Out, Batch Normalisation
  • Ein trainiertes Model laden
09:00 – 09:15
Rückblick und offene Fragen von Tag 2
09:15 – 10:45
Detektion von Objekten durch Bounding Boxes
  • Netzwerk mit zwei verschiedenen Outputs
  • Mean-Squared-Error und Cross-Entropy Loss
  • Trainingsgüte: intersection over union (IoU)
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Semantische Segmentierung (pixelweises Klassifizieren)
  • Cross-Entropy Loss für Multiclass Segmentierung
  • mean IoU in der semantischen Segmentierung
  • Vorstellung bekannter Netzwerkarchitekturen: U-Net
  • Up-Convolution und Transpose Convolution
12:30 – 13:30
Mittagspause
13:30 – 15:00
Training mit wenig Daten
  • Erweiterung des Trainings-Datensatzes durch Data Augmentation
  • Umsetzung in Keras
15:00 – 15:15
Kaffeepause
15:15 – 17:00
Fine-Tuning
  • Weitere bekannte Netzwerkarchitekturen: Inception-V3, ResNet,
  • Code von (bereits trainierten) Netzwerken finden
  • Vortrainierte Netzwerke für seine Aufgabe verwenden und nachtrainieren (Fine-Tuning)

Zielgruppe des KI (Bilderkennung) Kurses

Diese Deep Learning Bildverarbeitung Schulung ist für technisch interessierte Fachkräfte, welche die Python Bilderkennung mit Deep Learning Algorithmen erlernen möchten. In der Arbeit möchten Sie Deep Learning Algorithmen in Keras (Tensorflow) programmieren und trainieren können. Nebenbei lernen Sie in der Schulung den Umgang mit GPUs.

Voraussetzungen für den Python Vision KI Kurs

Grundkenntnisse in Python oder solide Erfahrung in einer anderen Programmiersprache werden vorausgesetzt. Erste einfache Erfahrung mit Bilddaten ist notwendig. Folgende Kenntnisse sind sehr hilfreich: Eine Funktion in Python schreiben, for-Schleife, Laden von Python-Modulen, einen einfachen Plot mit Matplotlib erstellen, Grundfunktionen der Numpy-Bibliothek, ein Bild als Matrix von Farbkanälen verstehen (RGB x Breite x Höhe).

Sehr empfehlenswert sind außerdem grundlegende Vorkenntnisse im Bereich der Statistik (Mittelwert, Median, Standardabweichung, Normalverteilung), Kenntnisse grundlegender mathematischer Symbole und Begriffe (Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion).

Jupyter Notebook wird als Programmieroberfläche verwendet. Vorkenntnisse sind nicht notwendig.
Hilfestellung, Dokumentation und weiterführende Informationen im Internet sind meist auf Englisch. Daher sind die Folien im Kurs auf Englisch. Das Seminar selbst wird auf Deutsch gehalten.

Didaktischer Aufbau der computer vision KI Schulung

Dieses Seminar für Deep Learning in Python lebt von der Praxis. Die Teilnehmer programmieren direkt die Bilderkennung (computer vision) mit KI Algorithmen (tiefe neuronale Netze) und verwenden selbstständig Python in der cloud mit Jupyter Notebooks. Das Erklärte kann in diesem Künstliche Intelligenz Training gleich umgesetzt und vertieft werden. Verschiedene Aufgaben werden durch den Trainer begleitet und die Teilnehmer werden bei Fragen aktiv unterstützt.

Technik im Tensorflow Bilderkennung – Deep Learning Seminar

  • Die Teilnehmer benötigen für die Übungsaufgaben Laptops. Wir empfehlen, Ihren eigenen Laptop mitzubringen. Ein Laptop mit GPU wird nicht benötigt.
  • Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Seminar online zum Download zur Verfügung gestellt. Sie erhalten vor dem Seminar per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können.
  • Sie sollten sich in firmenfremde WLAN-Netze registrieren können. Das Programmieren und das Trainieren der Algorithmen erfolgt auf GPUs in der Cloud, welche über eine URL direkt im Browser aufgerufen wird. Sie erhalten vor dem Seminar per E-Mail einen Link, um zu testen, ob Einstellungen den Zugriff auf die Cloud beeinträchtigen.
  • Als Backup Lösung ist es möglich, dass der USB Port bei Ihrem Laptop freigeschalten ist, um damit verwendete Dateien oder sonstige Unterlagen übertragen zu können.
  • Im Seminar wird das Betriebssystem Windows verwendet. Der Umgang mit Ihrem verwendeten Betriebssystem und Laptop sollte bekannt sein. Insbesondere sollten Sie ohne Schwierigkeiten Sonderzeichen auf der Tastatur finden (insbesondere bei Apple Geräten werden auf manchen Tastaturen nicht immer runde, eckige bzw. geschweifte Klammern dargestellt).
Gibt es ein Buch, welches den Kurs ergänzt?

Für das Seminar ist folgendes Buch als Ergänzung hilfreich:

Francois Chollet: Deep Learning with Python (2nd Edition).

Grundsätzlich wird alles Wissen und Codebeispiele im Kurs so erklärt, dass es nicht nötig ist vor dem Kurs ein Buch zu lesen. Sie sollten lediglich darauf achten, dass Sie die Voraussetzungen (siehe Reiter Organisatorisches –> Voraussetzungen) erfüllen.

In welchen Städten wird das Seminar angeboten?

Wir bieten den Kurs in folgender Stadt an: Stuttgart, München, Frankfurt, Hamburg, Berlin. Falls Sie die Schulung gerne in einer anderen Stadt oder direkt bei Ihnen im Unternehmen besuchen möchten, kontaktieren Sie uns gerne.

Ich möchte gerne viel coden und hands-on Lernen. Ist das der richtige Kurs?

Definitiv. Sie werden sich im Kurs wohlfühlen. Die erste von vier Lektionen am ersten Tag schafft die Grundlagen und sie können den Editor gleich selbst ausprobieren. Ab der zweiten Lektion ist mindestens die Hälfte der Zeit zum selbstständigen Üben, so dass Sie das Besprochene direkt coden können und selbst erkennen, wo noch Fragen bestehen, die Sie mit dem Dozenten direkt besprechen können.

Welche Lernmethoden werden verwendet?

Im Seminar enthält jeder Block (meist über etwa 90 Minuten) eine oder mehrere Theorie- und Praxiseinheiten. Die Theorieeinheit dient dazu, Ihnen das nötige Wissen zu vermitteln, um die Übungsaufgaben zu verstehen und selbstständig lösen zu können. Wir verzichten auf langatmige, wissenschaftliche Theorieeinheiten und konzentrieren uns auf den theoretischen Stoff der zu einem besseren Verständnis beiträgt. Der Fokus liegt auf der Praxis, d.h. dem Codeschreiben und Lösen von kleinen Verständnisaufgaben zum Lernstoff. Fragen von Teilnehmern sind jederzeit möglich. Während der Praxiseinheit werden die Fragen individuell vom Dozenten beantwortet. Fragen von allgemeinem Interesse werden allen Teilnehmern erklärt. Die Folien, welche die Theorie und weitere Erklärungen vom Code enthalten erhalten Sie als pdf. Codebeispiele und die Musterlösung der Übungsaufgaben liegen digital vor.

Wie sehen die Übungen für die Teilnehmer aus?

Die Übungen bestehen hauptsächlich aus Coding Aufgaben, d.h. Sie schreiben entweder kurze Codebeispiele oder Sie werden gefragt, Codelücken in einem bestehenden Code zu ergänzen. Letzteres schult auch das Codeverstehen. Die Aufgaben sind so gewählt, dass die wichtigen Aufgaben von allen Teilnehmern in der verfügbaren Zeit gelöst werden können. Wir haben Coding Aufgaben unterschiedlichen Schwierigkeitsgrades vorbereitet, so dass schnellere Teilnehmer oder Teilnehmer mit Vorwissen zusätzlich an weiteren Aufgaben üben können. Desweiteren gibt es für manche Kapitel kurze Kontrollfragen zum Theorieteil.

Deep Learning Kurs im Detail
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Bildungsschecks
Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.
Warum bei Enable AI buchen
Leistungen im Kurs
Durchführungsgarantie

Online ab 2 Teilnehmer und in Präsenz ab 3 Teilnehmer führen wir ein Seminar durch, so dass Sie auch bei kleinerer Gruppengröße intensiv lernen können und Ihren Lernerfolg erzielen können.

Zufriedenheitsgarantie

Sollten Sie in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. Ohne Wenn und Aber.

Wissensgarantie

Falls Ihr(e) MitarbeiterIn unerwarteterweise innerhalb eines halben Jahres nach dem Besuchen eines Kurses für mehr als 6 Monate (Krankheit, Elternzeit, Sabbatical,...) ihr Unternehmen verlässt, darf kostenlos ein Kollege innerhalb eines Jahres ab dem Verlassen des Kollegens ein stattfindendes Seminar mit demselben Inhalt besuchen.

Hands-on Schulungen

Die Kurse sind hands-on Trainings, mit vielen Coding Übungen (inkl. digitalen Musterlösungen). Denn durch praktische Beispiele lernt man am meisten.

Individuelle Schulungen

Wenn es im Interessen der Schulungsgruppe ist, ändert der Trainer das Seminar nach Ihren Wünschen ab bzw. integriert Ihre Daten nach Rücksprache in den Kurs.

Aktualisierte Schulungen

Sollten Sie eine Schulung zweimal besuchen, wird diese nicht identisch sein. Ihr Feedback wird berücksichtigt und die Schulungen werden an die aktuelle Themen in Forschung und Entwicklung angepasst.

Trainer aus der Praxis

Die Trainer, die in exklusiver Kooperation mit Enable AI zusammen arbeiten, kommen alle aus der Praxis und vermitteln praxisnahes, aktuelles Wissen auf leicht verständliche Art und Weise mit dem Ziel, dass Sie in Ihrer Arbeit das Wissen direkt anwenden können.

Kleine Gruppen

Garantierte maximale Gruppengröße von 10 Teilnehmern. Im Durchschnitt besuchen 3-6 Teilnehmer einen Kurs.

Fundiertes Wissen

Vor der Zusammenarbeit werden unsere Trainer geprüft. Alle besitzen fundierte Kenntnisse, u.a. durch Studium, Promotion und Berufserfahrung in den Bereichen Mathematik, Informatik, Statistik und Machine/Deep Learning.

Ihr Trainer für den Kurs

Dr. Rolf Köhler

Nach dem Studium der Mathematik und der BWL promovierte er im Cyber Valley am Max-Planck Institut in Tübingen. Sein Forschungsschwerpunkt war im Bereich Machine Learning und Bildverarbeitung.

Seit 2015 arbeitet er in der Industrie im Bereich Deep Learning und implementiert bzw. adaptiert verschiedene state-of-the-art Algorithmen für aktuelle industrielle Anwendungsfälle, darunter Autonomes Fahren und visuelle Fehlerinspektion. Aus Erweiterungen und eigenen Ideen sind mehrere Patentanmeldungen entstanden.

Seit 7 Jahren verwendet er die Programmiersprache Python für die Bildanalyse, objektorientiertem Programmieren und Deep Learning (dort vor allem die Bibliotheken Keras und TensorFlow). Er schult sein Fachwissen aus der Praxis seit über 3 Jahren.

Haben Sie noch Fragen

Jan Köhler - Gründer von Enable AI

  • Fragen zum Inhalt des Seminars?
  • Sind Sie sich unsicher, ob der Kurs Sie weder über- noch unterfordert?
  • Fragen, ob Sie das Wissen aus dem Kurs für Ihre tägliche Arbeit anwenden können?
  • weitere generelle Fragen zur Schulung?
  • einen Terminwunsch?

Rufen Sie uns an oder schreiben Sie uns eine Email

0711-96 88 15 53
info@enable-ai.de

Gerne können Sie auch direkt einen Termin mit uns vereinbaren oder eine Nachricht schreiben.

Inhouseschulung / Firmenschulung

Sie suchen einen Deep Learning Intensivkurs mit Schwerpunkt Bildverarbeitung als Firmen-Weiterbildung. Der Inhalt der Schulung kann individuell angepasst werden. In Abstimmung mit dem Dozenten können Sie Schwerpunkte der Firmen-Schulung setzen, Inhalte aus der offenen Schulung streichen und weitere Inhalte hinzufügen.

Vereinbaren Sie einen Termin für ein kostenloses Beratungsgespräch.

Die Firmen-Trainings des Deep Learning Bildverarbeitung Kurses können Live-Online oder bei Ihnen vor Ort gehalten werden. Zudem können Sie auch in München, Stuttgart, Berlin, Hannover, Köln, Hamburg, Düsseldorf, Frankfurt, Dortmund, Münster, Essen, Bonn, Dresden, Leipzig, Bremen, Duisburg, Bochum, Wuppertal, Bielefeld, Mannheim, Freiburg, Brauschweig, Kiel oder Karlsruhe stattfinden.

Thematisch ähnliche
Schulungen
Auswahl ähnlicher Kurse wie der Deep Learning Bilderkennungs Kurs
KIMger – KI fuer Manager Kurs

Grundbegriffe aus den Bereichen Künstliche Intelligenz, Maschinelles Lernen und Deep Learning. Es werden Anwendungsfälle diskutiert und die Voraussetzungen, Möglichkeiten und Grenzen von KI erläutert. Zielgruppe der Schulung sind Führungskräfte, die KI Use-Cases im Unternehmen aufdecken und das Potential und den erforderlichen Aufwand realistisch einschätzen wollen.

MLPy – Machine Learning Kurs

Aufbauend auf Python Grundkenntnissen, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn und die wichtigsten Schritte beim Trainieren der Algorithmen behandelt. Folgende Algorithmen werden erläutert: Lineare & Logistische Regression, Entscheidungsbaum, Ensembles, Neuronales Netz (MLP), K-Nearest Neighbor, K-means, DBSCAN Clustering.

DSBoot – Data Science Bootcamp Weiterbildung

Sie erlernen einen umfassenden Einstieg in die Programmiersprache Python mit Fokus auf Data Science und Machine Learning. Nach dem Seminar sind sie fähig einfache Datenanalysen in Ihrem Unternehmen durchzuführen und ihre erworbende Kenntnisse selbständig zu vertiefen. U.a. folgende Python Pakete werden erläutert: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.

DLNNet – Deep Learning Kurs Künstliche Intelligenz Schulung

In diesem Kurs lernen Sie die Grundlagen von Deep-Learning kennen (mit Beispielen aus der Bild-, Text- und Sequenzdatenbearbeitung). Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Vorkommende Neuronale-Netzwerk-Typen umfassen CNNs, RNNs und LSTMs.

NLP – Natural Language Processing (NLP) Seminar

Der Kurs gibt einen umfassenden Einblick in die maschinelle Sprachverarbeitung und einen Einblick auf ChatGPT + Prompt Engineering. In praktischen Übungen arbeiten Sie mit linguistischen Daten (Vorverarbeitung und Annotation). Sie lernen klassische Verfahren zur NLP mit Machine Learning kennen (z.B. zur Textklassifikation und Informationsextraktion). Danach arbeiten Sie mit neuronalen Netzen: Lernen von Wortvektoren, LSTM, Sequenz-zu-Sequenz-Modelle (z.B. für Übersetzung oder Zusammenfassung), Transferlernen, u.A. mit vortrainierten Modellen.

Risikofrei Buchen

Rücktritt bei Nichtgefallen

Sollten Sie in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. Ohne Wenn und Aber.

Stornierung

Sie können eine Bestellung kostenlos bis 14 Tage vor Beginn der Schulung stornieren.

Bis 7 Tage vor Kursbegin fallen 50% Stornokosten zzgl. MwSt an.

Weniger als 7 Tage vor Kursbegin ist die gesamte Seminargebühr zzgl. MwSt zu zahlen.

Anfallende Stornokosten werden Ihnen bei Umbuchung auf einen anderen Termin oder auf ein anderes Seminar verrechnet.

Sie können einen Ersatzteilnehmer für Ihr gebuchtes Seminar zum gebuchten Termin benennen. In diesem Falle verändern wir Ihre Buchung kostenfrei und tragen den Ersatzteilnehmer ein.

Sie haben bei Stornierung zudem auch die Möglichkeit einen anderen Termin, an dem das Seminar bereits stattfindet (d.h. die Mindestteilnehmerzahl ist erreicht), oder ein anderes Seminar (das aufgrund der Buchungslage bereits stattfindet) kostenfrei bzw. nach Bezahlung des Differenzbetrages, teilzunehmen. Ist das gewählte Seminar preisgünstiger, erstatten wir Ihnen den Differenzbetrag nach Teilnahme am Seminar zurück. Diese Möglichkeit erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

Falls die Buchungslage es ermöglicht, können wir einen Ersatzteilnehmer aus der Warteliste benennen. In diesem Fall ist Ihre Stornierung kostenfrei. Dies ist jedoch nicht garantiert und erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

Schulungsort Live Online

Für unsere Live Online Schulungen verwenden wir die Software Zoom.

Durch die Möglichkeiten die Teilnehmer in Breakout Räumen aufzuteilen und auf die Bildschirme der einzelnen Teilnehmer zu schauen, ist es für uns möglich, Sie auch in einem Live Online Seminar individuell zu betreuen.

Etwa eine Wochen vor Beginn der Schulung erhalten Sie von uns den Zugangslink zu Zoom per Email zugesandt.

Schulungsraum in München

Die Seminarräume in München befinden sich 900m von der S-Bahn Haltestelle Donnersbergerbrücke. Von dort sind es 6 min bis zum Hauptbahnhof München.

Adresse Seminarraum München

Regus
Landsberger Straße 155
80687 München