ai-academy

welcome2ki Teil 4 - Deep Learning Foundation - Das Gerüst für Deep Learning

Nach Absolvierung unseres Deep Learning für Coder Kurses bieten wir mit Teil 4 unserer Reihe an, gemeinsam mit uns die Basics der Implementierung neuronaler Netze zu analysieren.

Comming soon!

Nach Absolvierung unseres Deep Learning für Coder Kurses bieten wir mit Teil 4 unserer Reihe an, gemeinsam mit uns die Basics der Implementierung neuronaler Netze zu analysieren.

Anwendungen künstlicher Intelligenz

Was lerne ich in diesem Kurs?

Der Kurs welcome2ki Teil 4 - Deep Learning Foundation - Das Gerüst für Deep Learning beinhaltet alles Erforderliche, um selbst die Basisimplementierung wesentlicher Elemente von deep learning Anwendungen, wie etwa neuronale Netze, zu verstehen und selbst implementieren zu können.

Themenfelder in diesem Kurs:

  • Tabellarische Daten: Wie können tabellarische Daten mithilfe von Decision Trees und Random Forests ausgewertet werden? Welche Rolle spielt deep learning bei tabellarischen Daten?
  • Collaborative Filtering: Wir implementieren Collaborative Filtering von der Pike auf. Mithilfe dieses Ansatzes können wir Produktempfehlungen auf Basis von Benutzerprofilen und -vergleichen realisieren. Im Zuge der Implementierung von Collaborativ Filtering entwickeln wir unseren eigenen Embedding Layer und analysieren dessen Funktionsweise in einem deep learning Modell.
  • Die Mid-Level-Api: Wir setzen die Mid-Level API vom fastai Framework ein, um unsere Anwendungen noch spezifischer auf unsere Daten anpassen zu könnne. Mithilfe der Mid-Level-Api haben wir volle Gestaltungsfreiheit im Aufbau unseres deep learning Modells.
  • Convolutional Neural Networks: Wir steigen tiefer in die Implementierung von Convolutional Neural Networks (CNNs) hinunter. Wie ist eine Convolution aufgebaut? Was bedeuten Kernel, Filter, Padding und Stride? Wie erfolgt der Trainingsvorgang eines Convolutional Neural Nets?
  • Der CNN-Learner in fastai: Wie ist der CNN-Learner in fastai implementiert? Wir verwenden Convolutional Neural Networks, um ein eigenes Modell zu entwerfen, das entscheiden kann, ob zwei Bilder identisch sind oder nicht (Siamese Twin Problem). So können wir etwa entscheiden, ob das Photo einer Person in unserer Datenbank gespeichert ist oder nicht.
  • Natural Language Processing: Wie werden Sprachmodelle für die Auswertung von Texten mithilfe künstlicher Intelligenz implementiert? Wie werden Recurrent Neural Networls (RNNs) bei der Textanalyse eingesetzt? Welchen Vorteil bilden Long Short Term Memory Cells (LTMs)?
  • Residual Nets (ResNet): Wir analysieren verschiedene moderne deep learning Modellarchitekturen, wie zum Residual Nets. Wie ist ein ResNet aufgebaut? Welchen Vorteil bieten Skip Connections? Wie ist die ResNet Basisarchitektur in den Transfer-Learning Prozess vom fastai deep learning Framework eingebunden? Welchen Zweck haben Average Pooling Layer in einer ResNet Architektur?
  • Der Trainingsprozess im fastai Framework: Wie können wir unseren individuellen Code direkt in den Trainingsprozess des deep learning Modells im fastai Framework injizieren? Wie ermöglichen Callbacks im fastai Framework diese Anpassung der Trainingsschleife? Wir implementieren alle Schritt des Trainings eines deep learning Modells für künstliche Intelligenz manuell. Wie ist ein Optimizer aufgebaut? Welche Vorteile bieten Optimizer wie Adam oder RMSProp gegenüber der klassischen Implementierung von SGD (Stochastic Gradient Descent)? Welchen Vorteil bietet die Anwendung von Weight Decay auf den den Trainingsprozess?

Für wen ist dieser Kurs interessant?

Wenn Sie bereits über Basiswissen aus dem Bereich der künstlichen Intelligenz verfügen und erste Modelle mithilfe von Frameworks implementiert haben, nun aber weiter hinab steigen wollen und erkunden wollen, wie Frameworks selbst die Hilfsmittel umsetzen, dann ist dieser Kurs für Sie besonders interessant!

Wir werden gemeinsam viele grundlegende Elemente aktueller deep learning Modelle analysieren und mithilfe von Python nachbauen. So erlernen Sie, wie Sie diese Elemente für Ihre konkreten Problemstellungen anpassen und erweitern können.

Welche Vorkenntnisse sollte ich für diesen Kurs mitbringen?

Für diesen Kurs sind Basisprogrammierfertigkeiten in der Programmiersprache Python erforderlich. Zusätzlich sollten Basiskonzepte aus dem Bereich der künstlichen Intelligenz - insbesondere deep learning - bekannt seinn.

Wie kann ich mich für den Kurs einschreiben?

Dieser Kurs ist gerade in Vorbereitung. Gerne können Sie sich per E-Mail vorregistrieren. Wir werden Sie sofort benachrichten, sobald die Anmeldung zum Kurs möglich ist.

Wie lange habe ich Zeit, den Kurs zu absolvieren?

Der Kurs “Deep Learning Foundation - Das Gerüst für Deep Learning” ist für Sie lebenslang zugänglich. Sie können den Kurs in Ihren individuellen Tempo absolvieren und auch nach erfolgreichem Abschluß jederzeit wieder auf die Unterlagen und Videos zugreifen.