Zertifikatskurs Künstliche Intelligenz / Machine Learning
Datum | 15.09.2024 bis 15.11.2024 |
Dauer | 6 Vorlesungstermine + 1 Prüfungstermin |
Unterrichtszeiten | i.d.R. freitags: 15:30 Uhr bis 20:30 Uhr; samstags: 09:30 Uhr bis 16:45 Uhr |
Kosten | 1.600,00 € |
Zielgruppe | Personen mit ersten Kenntnissen des Programmierens, die in den Bereich des maschinellen Lernens Einblick bekommen möchten |
Bildungsart | Fortbildung/Qualifizierung |
Voraussetzung | Programmierkenntnisse in mind. einer Programmiersprache, Grundkenntnisse in linearer Algebra, gute Englischkenntnisse |
Abschluss | Sie erhalten nach Abschluss eines Kurses eine Teilnahmebestätigung |
Förderung | keine |
Akademische Weiterbildung | Dieser Kurs richtet sich speziell an Interessenten einer akademischen Weiterbildung. |
Präsenzkurs | Dieser Kurs findet ausschließlich als Anwesenheitsveranstaltung statt. |
mind. Teilnehmerzahl | k. A. |
max. Teilnehmerzahl | 8 |
Dozent | Prof. Dr.-Ing. Nicolaj Stache, Prof. Dr. Oliver Wasenmüller |
URL des Kurses | Details beim Anbieter |
Anmelde URL des Kurses | Direkte Anmeldung beim Anbieter |
spezielles Angebot für Dozenten | Keine Angabe. |
Veranstaltungsort
|
Graduate Campus Hochschule Aalen
Beethovenstraße 1 73430 Aalen (Württemberg) |
Abendkurs | Bildungsgutschein | Förderfähig nach Fachkursprogramm des ESF | Barierrefreier Zugang |
---|---|---|---|
Ja | Nein | k. A. | k. A. |
Beschreibung |
---|
LERNZIELE Die Teilnehmenden kennen und verstehen wichtige Grundprinzipien und Methoden der Künstlichen Intelligenz. Sie sind in der Lage, Verfahren, Vorgehensweisen, Risiken und Grenzen intelligenter Systeme zu analysieren und können Lösungsansätze für typische KI-Probleme entwickeln und bewerten. Die Teilnehmenden sind imstande, mithilfe von Verfahren des maschinellen Lernens Anwendungen für Klassifikations- und Prognosemodelle zu entwickeln und innerhalb ihres Kompetenzbereichs einzusetzen. LEHRINHALTE 1. Prof. Dr.-Ing. Nicolaj Stache: 1.1 Grundlagen des maschinellen Lernens, Überblick über klassische Verfahren, Begrifflichkeiten 1.2 Einführung in das Tooling für die Praxisphasen: Python, Jupyter Notebook, Python-Bibliotheken, Tensor-Flow 1.3 Praxisphase: klassische Verfahren des maschinellen Lernens 2. Prof. Dr. Oliver Wasenmüller: 2.1 Lineare Klassifikation 2.2 Optimierung 2.3 Neuronale Netzwerke 2.4 Rückpropagation 3. Prof. Dr.-Ing. Nicolaj Stache: 3.1 Vertiefung in das Tooling für die Praxisphasen: Numpy 3.2 Einführung in neuronale Netze, Inferenz, Training 3.3 Praxisphase: Neuronales Netz mit Numpy 3.4 Tiefe neuronale Netze 3.5 Praxisphase: Einführung in Tensorflow & Digit Recognition 3.6 Convolutional Neural Networks 3.7 Praxisphase: Verkehrszeichenklassifikation über Deep Learning 4. Prof. Dr. Oliver Wasenmüller: 4.1 Deep Learning Hardware & Software 4.2 Traning: Aktivierungsfunktionen, Datenvorverarbeitung, Gewichtsinitialisierung, Regularisierung, Lernrate, Batch Training, Hyperparamerer Optimierung 5. Prof. Dr.-Ing. Nicolaj Stache: 5.1 Bekannte Netzwerk-Architekturen 5.2 Praxisphase: Transfer-Learning 5.3 Fortgeschrittene Anwendungen (GAN, RNN) 5.4 Visualierungstechniken 5.5 Projektarbeitsbeschreibungen, lokale Tooling-Installation 6. Prof. Dr. Oliver Wasenmüller: 6.1 Detektion 6.2 Segmentierung 6.3 Praxisphase: Detektion und Segmentierung 6.4 Reinforcement Learning |
Gelistet in folgenden Rubriken: |
---|