Neuronale Netze mit Python
| Kurs-ID | LS23.237 |
| Datum | 06.05.2024 bis 01.06.2024 |
| Dauer | 4-Wochen-Kurs |
| Kosten | kostenlos |
| Zielgruppe | Software-K.i. Architekten |
| Voraussetzung | Gute Programmierkenntnisse in Visual C#, Schleifen, Variablen, Mathe - LineareAlgebra |
| Abschluss | Zertifikat des Bildungsträgers |
| Förderung | Kompletter Kurs förderfähig z.B. mit Bildungsgutschein, über Berufsförderungsdienst (BFD) oder bei Kurzarbeit |
| Präsenzkurs | Keine Angabe. |
| mind. Teilnehmerzahl | k. A. |
| max. Teilnehmerzahl | k. A. |
| URL des Kurses | Details beim Anbieter |
| spezielles Angebot für Dozenten | Keine Angabe. |
|
Veranstaltungsort
|
future Training & Consulting GmbH
Keltergasse 3 89073 Ulm |
| Abendkurs | Bildungsgutschein | Förderfähig nach Fachkursprogramm des ESF | Barierrefreier Zugang |
|---|---|---|---|
| k. A. | Ja | k. A. | k. A. |
| Beschreibung |
|---|
| Neuronale Netze stehen im Mittelpunkt, wenn es um Künstliche Intelligenz und Machine Learning geht. Sie revolutionieren derzeit die verschiedensten Anwendungsgebiete vom Strategiespiel bis zur Bild- und Spracherkennung. In neuronalen Netzen stecken geniale Ideen, die sich zum Glück einfach erklären lassen. Unsere Trainer helfen Ihnen dabei, neuronale Netze zu verstehen und selber zu entwickeln. Um sie gewinnbringend einzusetzen, programmieren Sie verschiedene Netztypen selbst nach und zwar in Python, der Hauptsprache der KI-Welt. In diesem Kurs bieten wir einen Überblick über die Potenziale von Künstlicher Intelligenz (KI), einschließlich Tools wie ChatGPT (GPT). Wir möchten den Teilnehmenden eine interaktive und praxisnahe Lernerfahrung ermöglichen und ihre Fähigkeiten in diesem Bereich fördern. - Künstliche Inteligenz - Grundlagen - Themenfelder der künstlichen Intelligenz - KI-Service-Plattformen - Künstliche neuronale Netze - Grundbeustein Neuron - Architekturprinzipien - Konzepte und Methoden von Machine Learning - ML - Machine Learning - Algorithmen und Modelle - Die Schritte in einem Machine-Learning-Projekt - Machine-Learning-Verfahren - Lernformen - Machine-Learning-Algorithmen - Training und Validierung des ML-Modells - Das einfache neuronale Netz - Deep Learning - Einsatzgebiete und Anwendung - Neuronale Netze - Vom Problem zum KNN - KNN -Modelle - Mathematik neuronaler Netze - Mehrschichtige neuronale Netze / Multilayer Perceptron - Predictive Maintenance - Maschinensimulation mit MLP - Lernalgorithmus für Neuronen - Backpropagation programmieren - Implementierung - Training von Neuronalen Netzen - Trainings und Testphase - Batch-, inkrementelles und Mini-Batch-Training - Lernprozess beim Backpropagatioin-Algorithmus - Recurrent Neural Networks - Sequenzen und Rückkoppluung - Architektur eines RNN - Backpropagation Through Time - Long-Short-Term Memory Networks - Convolutional Neural Networks - Aufbau eines CNN - Detektionsteil - Indentifikationsteil - Machine Learning Frameworks - Einbindung von ML-Frameworks in C# - TensorFlow - Keras - Infer.NET - ML.NET - SciSharp Stack - TensorFlow.NET - Keras.NET - NeuralNetwork.NET - Machine Learning as a Service - KI-Services - Erstellen eines Lex-Chatbots für .NET - Azure Cognetive Services - Azure Machine Learning Studio - Grundbeustein Neuron - Anwendungen entwerfen - Predictive Analytics - Bildklassifikation - Visualle Muster erkennen - Objekterkennung - Neural Language Processing - Stanford CoreNLP für .NET - Sentiment-Analyse |
| Gelistet in folgenden Rubriken: |
|---|