Deep Learning with Keras & TensorFlow - e Learning
450,00 EUR
- 34 hours
Dieser Deep-Learning-Kurs mit TensorFlow-Zertifizierungstraining wurde von Branchenführern entwickelt und ist an den neuesten Best Practices ausgerichtet. Sie werden durch diesen TensorFlow-Kurs tiefe Lernkonzepte und Modelle beherrschen, indem Sie die Frameworks Keras und TensorFlow verwenden. Lernen Sie, tiefe Lernalgorithmen mit unserem TensorFlow-Training zu implementieren und bereiten Sie sich auf eine Karriere als Deep-Learning-Ingenieur vor. Erreichen Sie unsere Deep-Learning-Zertifizierung und verschaffen Sie sich einen Wettbewerbsvorteil gegenüber Ihren Kollegen im nächsten Vorstellungsgespräch. Die Nachfrage nach qualifizierten Deep-Learning-Ingenieuren boomt in einer Vielzahl von Branchen, was diesen Deep-Learning-Kurs mit Keras- und TensorFlow-Zertifizierungstraining besonders geeignet für Fachleute auf mittlerem bis fortgeschrittenem Niveau macht. Wir empfehlen dieses Deep-Learning-Zertifizierungstraining insbesondere für Software-Ingenieure, Datenwissenschaftler, Datenanalysten und Statistiker mit Interesse an tiefem Lernen.
Kurszeitplan
Kurseinführung
Lektion 01
- Kurseinführung
Einführung in KI und tiefes Lernen
Lektion 02
- Was ist KI und tiefgehendes Lernen
- Kurze Geschichte der KI
- Zusammenfassung: SL, UL und RL
- Deep Learning: Erfolge des letzten Jahrzehnts
- Demo und Diskussionen: Objekterkennung bei selbstfahrenden Autos
- Anwendungen des tiefen Lernens
- Herausforderungen des tiefen Lernens
- Demo und Diskussionen: Sentimentanalyse mit LSTM
- Vollständiger Zyklus eines Deep-Learning-Projekts
- Wichtigste Erkenntnisse
- Wissensüberprüfung
Ein kritisches neutrales Netzwerk
Lektion 03
- Biologisches Neuron vs Perzeptron
- Flaches Neuronales Netzwerk
- Ein Wahrnehmungstraining
- Demo-Code #1: Wahrnehmung (Lineare Klassifikation)
- Rückpropagierung
- Rolle der Aktivierung, Funktionen und Rückpropagierung
- Democode #2: Aktivierungsfunktion
- Democode #3: Veranschaulichung der Rückpropagierung
- Optimieren
- Regularisierung
- Dropout-Schicht
- Democode #4: Veranschaulichung von Dropout, Lektion- Abschlussübung (Klassifizierungsdatensatz von Kaggle).
- Wichtigste Erkenntnisse
- Wissensüberprüfung
- Lektion - Abschlussprojekt
Tiefes neuronales Netzwerk & Werkzeuge
Lektion 04
- Tiefes neuronales Netzwerk: Warum und Anwendungen
- Entwurf eines tiefen neuronalen Netzwerks
- Wie wählt man seine Verlustfunktion aus?
- Werkzeuge für Deep-Learning-Modelle
- Keras und seine Elemente
- Demo-Code #5: Erstellen Sie ein Deep-Learning-Modell - - - Mit Keras
- TensorFlow und sein Ökosystem
- Democode #6: Erstellen Sie ein Deep-Learning-Modell - - - Mit Tensorflow
- TFlearn
- Pytorch und seine Elemente
- Democode #7: Erstellen Sie ein Deep-Learning-Modell - - - mit Pytorch
- Democode #8: Übung am Ende der Lektion
- Wichtigste Erkenntnisse
- Wissensüberprüfung
- Projekt zum Abschluss der Lektion
Optimierung, Feinabstimmung und Interpretierbarkeit von tiefen neuronalen Netzen
Lektion 05
- Optimierungsalgorithmen
- SGD, Momentum, NAG, Adagrad, Adadelta, RMSprop, Adam
- Democode #9: MNIST-Datensatz
- Batch-Normalisierung
- Democode #10
- Explodierende und verschwindende Gradienten
- Hyperparameter-Optimierung
- Democode #11
- Interpretierbarkeit
- Demo-Code#12: MNIST – Ende der Lektion
- Projekt mit Interpretierbarkeitslektionen
- Breite vs Tiefe
- Wichtigste Erkenntnisse
- Wissensüberprüfung
- Projekt zum Abschluss der Lektion
Faltungsneuronales Netz
Lektion 06
- Erfolg und Geschichte
- CNN Netzwerkaufbau und Architektur
- Democode #13: Keras
- Demo-Code #14: Klassifizierung von zwei Bildtypen (Kaggle) mit Keras
- Tiefe konvolutionale Modelle
- Wichtigste Erkenntnisse
- Wissensüberprüfung
- Projekt zum Abschluss der Lektion
Rekurrente neuronale Netze
Lektion 07
- Sequenzdaten
- Zeitgefühl
- Einführung in RNNs
- Demo-Code #5: Vorhersage des Aktienkurses mit RNN
- LSTM (Einzelhandelsverkaufsdatensatz Kaggle)
- Demo-Code #16: Wort-Einbettung und LSTM
- Demo-Code #17: Sentimentanalyse (Filmkritik)
- Wichtigste Erkenntnisse
- Wissensüberprüfung
- Lektion - Abschlussprojekt
Autoencoder
Lektion 08
- Einführung und Autoencoder
- Anwendungen von Autoencodern
- Autoencoder zur Anomalieerkennung
- Democode #19: Autoencoder-Modell für MNIST-Daten
- Wissensüberprüfung
- Lektion - Abschlussprojekt
Projekt: Haustierklassifizierungsmodell unter Verwendung von CNN
Projekt 01
The course includes a real-world, industry-based project. Successful evaluation of the following
Das Projekt ist ein Teil der Zulassungsvoraussetzungen für die Zertifizierung:
In diesem Projekt erstellen Sie ein CNN-Modell, das die gegebenen Haustierbilder korrekt in Hunde- und Katzenbilder klassifiziert. Eine Code-Vorlage ist mit wesentlichen Codeblöcken gegeben. TensorFlow kann verwendet werden, um die Daten zu trainieren und die Genauigkeitsbewertung auf den Testdaten zu berechnen.
Lernergebnisse
Am Ende dieses E-Learning-Kurses zu Deep Learning mit Keras & TensorFlow werden Sie in der Lage sein:
Verstehen Sie die Konzepte von Keras und TensorFlow, deren Hauptfunktionen, Operationen und die Ausführungspipeline
Deep-Learning-Algorithmen implementieren, neuronale Netzwerke verstehen und die Schichten der Datenabstraktion durchdringen
Beherrschen und verstehen Sie fortgeschrittene Themen wie Faltungsneuronale Netze, rekurrente neuronale Netze, das Training tiefer Netzwerke und hochrangige Schnittstellen
Erstellen Sie Deep-Learning-Modelle mit den Frameworks Keras und TensorFlow und interpretieren Sie die Ergebnisse
Verstehen Sie die Sprache und grundlegenden Konzepte von künstlichen neuronalen Netzwerken, die Anwendung von Autoencodern sowie Pytorch und dessen Elemente
Fehlerbehebung und Verbesserung von Deep-Learning-Modellen
Bauen Sie Ihr Deep-Learning-Projekt auf
Unterscheiden Sie zwischen maschinellem Lernen, tiefem Lernen und künstlicher Intelligenz
Hauptmerkmale
34 Stunden Blended Learning
Ein branchenspezifisches Kursabschlussprojekt
Interaktives Lernen mit integrierten Laboren in Jupyter-Notebooks
Engagierte Mentoring-Sitzung von Fakultätsmitgliedern, die Branchenexperten sind
Wer sollte sich für dieses Programm anmelden?
Lernende müssen einen Hochschulabschluss oder einen Schulabschluss besitzen. Vertrautheit mit den Grundlagen der Programmierung, ein solides Verständnis der Grundlagen von Statistik und Mathematik sowie ein gutes Verständnis der Konzepte des maschinellen Lernens sind erforderlich.
KI-Ingenieur
Datenwissenschaftler
Software-Ingenieur
Studierende in Bachelor-/Masterstudiengängen
Datenanalyst
Benötigen Sie eine Unternehmenslösung oder LMS-Integration?
Haben Sie nicht den Kurs oder das Programm gefunden, das für Ihr Unternehmen geeignet wäre? Benötigen Sie eine LMS-Integration? Schreiben Sie uns! Wir werden alles lösen!