Entwicklung

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

In mehreren Teilen geht es in diesem Schwerpunkt deshalb rund um die Entwicklung: Angefangen bei einem Einstieg in die Pythonprogrammierung, über die Betrachtung gängiger Entwicklungstools und -frameworks, bis hin zu Deep-Learning-Grundlagen und deren Implementation. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Kenntnisse in späteren Teilen werden in vorherigen Teilen vermittelt – grundlegende Programmierkenntnisse sollten jedoch mitgebracht werden.

Die Inhalte werden anhand von uns gehosteter Jupyter Books gemeinsam erarbeitet – Teilnehmer können direkt aktiv im Web-Browser mit programmieren, ohne vorher ihr eigenes System vorbereiten zu müssen. Übungen im Laufe der Veranstaltungen geben Zeit, die Inhalte zu festigen.

1: Python-Grundlagen für Deep Learning

In dieser zweiteiligen Reihe werden die Grundlagen der Pythonprogrammierung als Basis für Deep Learning nähergebracht. Die folgenden Themen werden behandelt:

• die Syntax gängiger Python-Strukturen, u. a. Funktionen, Klassen, Variablen
• Python-Datenstrukturen (List, Dictionary, Tuple)
• Python-Module

Voraussetzungen:
Allgemeine Programmierkenntnisse: Teilnehmer sollten bereits Kenntnisse von einer anderen, bestenfalls objektorientierten Sprache mitbringen. So sollten folgende Fragen beantwortet werden können: Wie ist ein Programm aufgebaut? Was für Datentypen gibt es? Was sind Funktionen, Variablen, Ablaufstrukturen, Klassen? 

Zielgruppe:
Entwickler ohne Pythonkenntnisse, die in Zukunft Deep-Learning-Algorithmen implementieren möchten.

2: Python-Entwicklungstools für Deep Learning

Dieser Teil stellt die Brücke zwischen herkömmlicher Pythonprogrammierung und Deep Learning her. Im Vordergrund steht hier das Python-Modul Numpy, welches ein integraler Bestandteil aller mathematisch-wissenschaftlicher Python-Projekte ist und das dem Kern der meisten Python-Module im maschinellen Lernen entspricht. Im Anschluss wird aufbauend hierauf direkt ein solches Modul genauer vorgestellt: Pandas – das Modul für die Verarbeitung von tabellenbasierten Daten.

Die Kenntnis dieser beiden Module ebnet den Weg hin zu den im dritten Teil thematisierten Deep-Learning-Modulen.

Voraussetzungen:
Python-Grundkenntnisse wie z. B. aus unserem Teil 1: Python-Grundlagen für Deep Learning.

Zielgruppe:
Python-Entwickler, die in Zukunft Deep Learning verwenden möchten und bereits Python-Grundkenntnisse besitzen.

3: Deep-Learning-Grundlagen

In dieser zweiteiligen Reihe werden die Grundlagen von Deep Learning vermittelt. Angefangen bei einem einzelnen Neuron werden Schritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifikation aufgezeigt und erklärt. Ein Einstieg in das weit verbreitete Python-Framework für maschinelles Lernen "Pytorch" wird gegeben, um anschließend gemeinsam einfache Modelle zu entwickeln.

Voraussetzungen:

• Python- und Numpy-Kenntnisse wie z. B. aus unserem Teil 2: Python-Entwicklungstools für Deep Learning
• Optional: Grundkenntnisse von KI – z. B. über einen Besuch unseres Grundlagen-Workshops – die es einem besser erlauben, die verwendeten Technologien einzuordnen.

Zielgruppe:
Python-Entwickler, die in Zukunft Deep Learning verwenden möchten.