Deep Learning

Kurs-ID 7209-0009-20210705
Datum 05.07.2021 bis 30.07.2021
Dauer 4 Wochen
Unterrichtszeiten Montag bis Freitag von 08:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)
Kosten k. A.
Zielgruppe Informatiker/-innen, Mathematiker/-innen, (Wirtschafts-)Ingenieure/-innen, Elektrotechniker/-innen.
Voraussetzung Vorkenntnisse im Bereich Machine Learning sowie Grundlagenwissen in Python.
Abschluss Zertifikat/Teilnahmebestätigung
Förderung Arbeitsagentur, Jobcenter, Beschäftigungs- und Qualifizierungsgesellschaften, BFD, DRV
Präsenzkurs Keine Angabe.
mind. Teilnehmerzahl 6
max. Teilnehmerzahl 25
URL des Kurses Details beim Anbieter
Anmelde URL des Kurses Direkte Anmeldung beim Anbieter
spezielles Angebot für Dozenten Nein.
Veranstaltungsort
 
alfatraining Bildungszentrum GmbH
Bismarckallee 13
79098 Freiburg

 

AbendkursBildungsgutscheinBarierrefreier Zugang
NeinJaJa

 

Beschreibung
Deep Learning:

Einführung Deep Learning (ca. 1 Tag)
Deep Learning als eine Art von Machine Learning

Grundlagen in neuronalen Netzen (ca. 3 Tage)
Logistische Regression
Perceptron
Deep MLP
Backpropagation
Stochastischer Gradientenabstieg (SGD)
Adam Optimization Algorithm
Überanpassung Lernkurve
Regularisierung
Hyperparameter
Hyperparameteranpassung

Frameworks (ca. 1 Tag)
TensorFlow
Keras
Pytorch

Convolutional Neural Network (CNN) (ca. 3 Tage)
Das Problem von Bildklassifizierung
ImageNet
Faltungsoperation
CNN Schichten
Max Pooling
ReLU (Rectified Linear Unit)
CNN Architekturen
AlexNet
CNN für Regressionsprobleme

Transfer Learning (ca. 1 Tag)
Unsupervised Pretraining
CNN und klassische Algorithmen

Fortgeschrittene CNNs (ca. 1 Tag)
MobileNet
Regionale CNN (R-CNN)
Explainable Al
ResNet (Residual Neural Network)
Skip Layers

Recurrent Neural Networks (RNN) (ca. 2 Tage)
Sequenzanalyse
Themen in NLP
Language Models
RNN Anwendungen in NLP
Vanilla-RNN
Backpropagation through time (BPTT)
Vanishing gradient
Exploding gradient

Gated RNN (ca. 1 Tag)
LSTM (Long Short-Term Memory)
GRU (Gated Recurrent Unit)
Deep RNN
Deep LSTM

Seq2seq (ca. 1 Tag)
Encoder-Decoder
Architektur
Dropout
Batch normalization
Chatbots

Transformers (ca. 1 Tag)
BERT, GPT-2
Transfer Learning in NLP

Generative Modelle (ca. 2 Tage)
Generative Adversarial Networks (GAN)
Deepfake
Sampling
Anwendungen von GANs
Bayessche Netze

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

 

Gelistet in folgenden Rubriken: