Grundlagen des Deep Learning

Für dieses Training erhalten Sie ein Teilnahmezertifikat von Spirit in Projects.

Sie denken gern analytisch, begeistern sich dafür, dass Maschinen lernen können und möchten daher das Potenzial von neuronalen Netzen und insbesondere Deep Learning kennenlernen? Wenn Sie alles rund um aktuelle Entwicklungen im Umfeld von Deep Learning erfahren möchten, dann freuen Sie sich auf dieses Training. Gemeinsam trainieren wir Systeme, die Aufgaben erlernen, um sie danach automatisch auszuführen.

Wir empfehlen:

Ziele

  • Methoden des Machine Learnings verstehen
  • Aufbau und Funktionsweise von neuronalen Netzen kennenlernen
  • Deep Learning für das Trainieren von neuronalen Netzen anwenden
  • Anwendungsgebiete wie Mustererkennung, Bild- und Textverarbeitung und Objekterkennung verstehen und einsetzen
  • Tools und Plattformen für das Deep Learning einsetzen

Zielgruppen:

Business Analyst, Requirements Engineer, Usability Expert, Scrum Master, AI Expert, Project Manager, Projektleiter, Demand Manager, Portfoliomanager, IT-Projektleiter, Testmanager, Tester, Test Automation Specialist, Testingenieur, Enterprise Architect, System Architect, Software Architect, Software Designer, Software Entwickler, Product Owner und alle, die sich mit künstlicher Intelligenz beschäftigen möchten.

Termine anzeigen

Inhalt

1. Grundlagen

  • Was ist Machine Learning?
  • Der Unterschied von Machine Learning zu Artificial Intelligence und Data Science

2. Einführung in die methodischen Grundlagen

  • Unterschied zur traditionellen Software-Entwicklung
  • Komponenten von Machine Learning

3. Voraussetzungen für Machine Learning

  • Voraussetzungen an Daten
  • Voraussetzungen an die Vorhersagbarkeit

4. Lernansätze für Machine Learning

  • Supervised
  • Unsupervised
  • Reinforcement

5. Modellarten von Machine Learning

  • Decision Tree
  • Neural Networks
  • Regressionsanalyse

6. Deep Learning

  • Was ist ein künstliches Neuronales Netz?
  • Was ist Deep Learning?
  • Vorteile von Deep Learning
  • Einfache tiefe Neuronale Netze
  • Convolutional Neuronale Netze
  • GAN
  • Transformer

7. ML Plattformen und Technologien

  • Google TensorFlow
  • Meta Pytorch
  • Repositories
  • ML Programmiersprachen

Nach Absolvierung empfehlen wir:

Spirit in Projects