BEGIN:VCALENDAR VERSION:2.0 PRODID:-//Michael Angstadt//biweekly 0.4.4//EN CALSCALE:GREGORIAN METHOD:PUPLISH X-FROM-URL:https://www.digitalzentrum-fokus-mensch.de X-WR-TIMEZONE:Europe/Berlin BEGIN:VEVENT UID:ap_643@www.digitalzentrum-fokus-mensch.de SUMMARY:KI-Trainer: Entwicklung - Grundlagen Deep Learning Teil 2 STATUS:CONFIRMED DESCRIPTION:\n\nHier anmelden \n\nMit den geeigneten Plattformen und Entwic klungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesonde re die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzah l an Entwicklungstools\, die es KI-Entwicklern erlauben\, weniger Zeit für aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit f ür die Problemlösung selbst zu finden. \n\nIn mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools u nd -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Die se Reihe erlaubt es Programmierern ohne KI-Kenntnisse\, startbereit für De ep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenomm en werden\, benötigte Kenntnisse in späteren Teilen werden in vorherigen T eilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmie rkenntnisse vorhanden sein. \n\n \n\n3: Deep-Learning-Grundlagen \n\nIn di eser mehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt . Angefangen bei einem einzelnen Neuron werden Schritt für Schritt Bestand teile moderner neuronaler Netze für die Klassifikation aufgezeigt und erkl ärt. Ein Einstieg in das größte Python-Framework für maschinelles Lernen " Tensorflow" wird gegeben\, um anschließend gemeinsam einfache Modelle zu e ntwickeln. Die Inhalte umfassen unter anderem: \n\n- Neuronaler Netzwerk-A ufbau \n\n- Allgemeiner Lernprozess \n\n- Gängige Optimierungsverfahren \n \n- Gängige Leistungsmetriken \n\n- Convolutional Neural Networks \n\n- Te nsorflow-Grundlagen \n\nDie Inhalte über Jupyter-Notebooks vermittelt und anhand von Übungen gefestigt. \n\n \n\nVoraussetzungen: \n\n- Python-Grund kenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlagen für Dee p Learning" (Details siehe Link am Ende der Beschreibung) \n\n- Numpy-Kenn tnisse wie z. B. aus unserem Online-Seminar "Python-Entwicklungstools für Deep Learning" (Details siehe Link am Ende der Beschreibung) \n\n- Optiona l: Grundkenntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1- Workshops\, die es einem besser erlauben\, die verwendeten Technologien ei nzuordnen. \n\n \n\nZielgruppe: \n\nPython-Entwickler\, die in Zukunft Dee p Learning verwenden möchten. \n\n \n\nDetails und Termine zu anderen Teil en dieses Schwerpunktes finden Sie hier. X-ALT-DESC;FMTTYPE=text/html:
\n\nMit den geeigneten Plattformen und Ent wicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbeso ndere die vielversprechenden Deep-Learning-Technologien besitzen eine Viel zahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit fü r aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.
\n\nIn mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Eins tieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklung stools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementat ion. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teil genommen werden, benötigte Kenntnisse in späteren Teilen werden in vorheri gen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Progr ammierkenntnisse vorhanden sein.
\n\n\n\n
3: Deep-Learning-Gr undlagen
\n\nIn dieser mehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt. Angefangen bei einem einzelnen Neuron werden Sch ritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifika tion aufgezeigt und erklärt. Ein Einstieg in das größte Python-Framework f ür maschinelles Lernen "Tensorflow" wird gegeben, um anschließend gemeinsa m einfache Modelle zu entwickeln. Die Inhalte umfassen unter anderem:
\ n\n- Neuronaler Netzwerk-Aufbau
\n\n- Allgemeiner Lernprozess
\n\n- Gängige Optimierungsverfahren
\n\n- Gängige Leistungsmetrik en
\n\n- Convolutional Neural Networks
\n\n- Tensorflow-Grundl agen
\n\nDie Inhalte über Jupyter-Notebooks vermittelt und anhand vo n Übungen gefestigt.
\n\n\n\n
Voraussetzungen:
\n\n- Py thon-Grundkenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlag en für Deep Learning" (Details siehe Link am Ende der Beschreibung)
\n\ n- Numpy-Kenntnisse wie z. B. aus unserem Online-Seminar "Python-Entwic klungstools für Deep Learning" (Details siehe Link am Ende der Beschreibun g)
\n\n- Optional: Grundkenntnisse von KI – z. B. über einen B esuch unserer Schwerpunkt-1-Worksho ps, die es einem besser erlauben, die verwendeten Technologien einzuor dnen.
\n\n\n\n
Zielgruppe:
\n\nPython-Entwickler, die i n Zukunft Deep Learning verwenden möchten.
\n\n\n\n
Details u nd Termine zu anderen Teilen dieses Schwerpunktes finden Sie hier.
\n DTSTART;TZID=Europe/Berlin:20201126T140000 DTEND;TZID=Europe/Berlin:20201126T160000 CREATED:20201011T125059Z LOCATION:Online DTSTAMP:20201011T125534Z URL:https://www.digitalzentrum-fokus-mensch.de/kos/WNetz?art=Appointment.sh ow&id=643 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Berlin LAST-MODIFIED:20231222T233358Z TZURL:https://www.tzurl.org/zoneinfo-outlook/Europe/Berlin X-LIC-LOCATION:Europe/Berlin BEGIN:DAYLIGHT TZNAME:CEST TZOFFSETFROM:+0100 TZOFFSETTO:+0200 DTSTART:19700329T020000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 END:DAYLIGHT BEGIN:STANDARD TZNAME:CET TZOFFSETFROM:+0200 TZOFFSETTO:+0100 DTSTART:19701025T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE END:VCALENDAR