Newsletter

   Kontakt

Online Workshop-Reihe: Künstliche Intelligenz - Einstieg Deep Learning/ klassisches Machine Learning

(5-tägiger iX-Workshop)

Künstliche Intelligenz (KI) ist bereits in vielen Bereichen des Alltags angekommen. Ob Gesichts- und Objekterkennung in Bildern, Sprachassistenz-Systeme und Chat-Bots, Produktempfehlungen in Online-Shops oder Live-Übersetzung von Sprache: All diese Technologien setzen auf Machine Learning. Viele Unternehmen haben die Möglichkeiten von künstlicher Intelligenz erkannt und setzen Machine Learning bereits sehr erfolgreich ein.

Starten Sie Ihre Reise in die aufregende Welt von KI, Machine Learning (ML) und Deep Learning (DL). Gehen Sie Ihre ersten eigenen Schritte, erfahren Sie, was hinter dem KI-Hype steckt, und lernen Sie, Machine Learning produktiv zu nutzen.


Diese Online Workshop-Reihe liefert eine praktische Einführung in KI und Machine Learning im Allgemeinen, in Deep Learning mit Tensorflow und in klassische Algorithmen für überwachtes und unüberwachtes Machine Learning.

Die Themen werden Ihnen anhand von anschaulichen Erklärungen und Code-Beispielen sowie in selbst durchgeführten Übungen vermittelt. Sie lernen die wichtigsten Tools anzuwenden, um selbst direkt loszulegen.

Die Workshop-Reihe besteht aus fünf einzelnen Workshops, die zusammen oder einzeln buchbar sind. Die fünf Workshops dauern jeweils einen Tag und sind inhaltlich unabhängig voneinander, ergänzen sich jedoch und geben gemeinsam einen Überblick über das gesamte Feld des Machine Learning.

Im ersten Teil erhalten Sie einen Überblick über das Thema künstliche Intelligenz und dessen Anwendungsgebiete, eine Einführung in das Thema Machine Learning sowie in den Arbeitsablauf beim Entwickeln intelligententer Algorithmen.


Der zweite Teil führt Sie in das Thema Deep Learning ein. Dabei lernen Sie die wichtigsten Konzepte von Deep Learning kennen und verstehen. Anschließend gibt es eine Einführung in Tensorflow, um Deep Learning anzuwenden und neuronale Netze zu programmieren. Googles Tensorflow gehört zu den meist genutzten Open-Source-Bibliotheken zur Entwicklung von Anwendungen im Bereich Deep Learning.

Im dritten Teil geht es um einige erweiterte Konzepte im Bereich Deep Learning. Dies sind zum einen Convolutional Neural Networks (CNNs) zur Verarbeitung von Bilddaten und Recurrent Neural Networks (RNNs) zur Verarbeitung von Sequenz-Daten wie Text und Zeitreihen.

Der vierte und fünfte Teil beschäftigt sich mit klassischen Machine-Learning-Algorithmen jenseits von Deep Learning, die ebenfalls in vielen Bereichen erfolgreich eingesetzt werden.

Im vierten Teil lernen Sie die verschiedenen Aufgaben und Methoden aus dem Bereich Supervised Machine Learning kennen und verstehen. Wir konzentrieren uns hier auf Methoden der Klassifikation und Regression. Dabei wird die beliebte Python-Bibliothek scikit-learn eingesetzt.

Im fünften Teil lernen Sie die verschiedenen Aufgaben und Methoden aus dem Bereich Unsupervised Machine Learning kennen und verstehen. Wir konzentrieren uns hier auf dimensionsreduzierende Methoden, Clusteringverfahren und Anomalieerkennung. Auch hier kommt unter anderem scikit-learn zum Einsatz.

Inhalt

  • Teil 1 – Einführung: Methoden der künstlichen Intelligenz, des Deep Learning (DL) und des klassischen maschinellen Lernens (ML) verstehen, anwenden und in die produktive Nutzng überführen.
  • Teil 2 – Deep Learning: Funktionsweise verstehen, Anwendungsbereiche kennenlernen, verschiedene Ansätze; eigene neuronale Netze programmieren mit Tensorflow, einer der meist genutzten Bibliotheken für Deep Learning.
  • Teil 3 – Deep Learning Advanced: Funktionsweise von Convolutional Neural Networks (CNN) zur Bildverarbeitung und von Recurrent Neural Networks (RNN) zur Sequenzverarbeitung (Text, Zeitserien) verstehen; CNN und RNN programmieren mit Tensorflow.
  • Teil 4 – Machine Learning 1: Klassische Methoden des Supervised Machine Learning verstehen und mit Python anwenden.
  • Teil 5 – Machine Learning 2: Klassische Methoden des Unsupervised Machine Learning verstehen und mit Python anwenden.

Die fünf Teile sind unabhängig voneinander, ergänzen sich inhaltlich jedoch. Sie geben zusammen einen Überblick über die aktuellen Methoden und Anwendungsbereiche des maschinellen Lernens und Deep Learning mit Schwerpunkt auf dem praktischen Einsatz.

Zielgruppe

  • Softwareentwickler mit Interesse an KI und ML
Voraussetzungen für die Teile 2 bis 5:
  • Grundlegende Programmierkenntnisse mit Python;
  • Hilfreich, aber nicht erforderlich: Erfahrung mit den Python-Bibliotheken Numpy, Pandas, Matplotlib und Erfahrungen mit Jupyter Notebooks

Leistungen Ihres Workshoptickets

  • Workshopunterlagen (falls vorhanden)
  • Teilnahmebescheinigung 

Der Workshop ist auf 15 Teilnehmer begrenzt!

Durchführung

Ist die Durchführung der Veranstaltung aufgrund höherer Gewalt, wegen Verhinderung eines Referenten, wegen Störungen am Veranstaltungsort oder aufgrund zu geringer Teilnehmerzahl (weniger als 50%) nicht möglich, werden die Teilnehmer spätestens 7 Tage vorher durch das heise Events-Team informiert.

Kontakt

Haben Sie Fragen zu der Organisation oder der Veranstaltung? Gern beantworte ich Ihre Fragen per E-Mail!

Jennifer Rypalla // jery@heise.de

Termine & Preise

Online - Workshop

Nehmen Sie jetzt unkompliziert an unserem Online-Workshop teil.

Die Termine lauten wie folgt:


27.04. Teil 1 - Einführung

29.04. Teil 2 - Deep Learning

04.05. Teil 3 - Deep Learning Advanced

06.05. Teil 4 - Machine Learning 1

08.05. Teil 5 - Machine Learning 2


Alles, was Sie dafür benötigen, ist ein Mikrofon oder Headset an Ihrem Rechner oder Laptop und einen aktuellen Browser. Selbstverständlich sind die Inhalte online die gleichen wie in dem Präsenz-Workshop. Sie können Fragen stellen und sich mit den Referenten und den anderen Teilnehmern austauschen. Die auf 15 Personen begrenzte Teilnehmerzahl garantiert ein effektives und abwechslungsreiches Lernerlebnis – sicher und bequem in Ihrem Arbeitsumfeld.

Nach dem Kauf eines Tickets erhalten Sie eine Bestätigung per Mail und kurz vor der Veranstaltung in einer separaten Mail Ihren Zugangslink. Bitte nutzen Sie daher für den Ticketkauf eine E-Mail-Adresse, auf die Sie freien Zugriff haben!

Für diesen Kurs verwenden wir Zoom. Für die Teilnahme ist es nicht erforderlich, einen Account bei Zoom anzulegen. Die Teilnahme kann im Browser oder über den Desktop-Client von Zoom erfolgen

Preise

Workshop-Tag: 590,00€

Bundle (alle 5 Tage): 2360 €

Alle Preise inkl. MwSt

Agenda & Trainer

Teil 1 - 5: Beginn 09:00 Uhr - Ende 14:30 Uhr


Die Trainer werden zwei kleinere Pausen (10 min) und eine große Pause (45 min) einbauen.

Philipp Braunhart

Philipp ist Freelance Machine Learning Engineer und Trainer. Bei Siemens hat er skalierbare Artificial Intelligence (A.I.) Lösungen im IoT Umfeld entwickelt. Von der Physik (B.Sc.) hat er sich in Richtung A.I. insbesondere Deep und Machine Learning (M.Sc.) entwickelt. Ob Deep Reinforcement Learning in der Robotik, Qualitäts-Vorhersagen bei Fertigungsprozessen oder Anomalieerkennung bei Prüfergebnissen von Flachbaugruppen: Es reizt ihn stets praktische Probleme mit Hilfe von intelligenten Algorithmen zu lösen. Mit großer Freude gibt Philipp sein Wissen weiter. Durch bildliche, einfach verständliche Erklärungen hilft er anderen Hürden zu überwinden, um ebenso viel Begeisterung für Machine Learning zu entwickeln.

Moustapha Karaki 

Moustapha ist ein Machine Learning Engineer und Berater bei IBM für die Anwendung von AI in Unternehmen. Unter anderem am Fraunhofer IPK in der Forschungsgruppe"Sicherheitstechnologien", in Projekten in der Automobil-Branche, im Maschinenbau (B.Sc.) sowie bei IBM sammelte er Erfahrungen zu Deep und Machine Learning, Computer Vision und Robotik. Hierauf lag auch der Fokus seines M.Sc. in Computational Engineering Science. Zu seinen bisherigen Projekten gehören unter anderem Personenerkennung zur Sicherheit, Produkt-Qualitätsoptimierung basierend auf Maschinensensoren, und intelligente IoT Systeme in der Automobilindustrie. Durch seine Arbeit in der Beratung wurde ihm bewusst, wie wichtig es für die Menschen ist, eine AI-orientierte Denkweise zu haben. Die Verbreitung dieses Wissens ist sein Beitrag auf dem Weg zur kommenden Transformation.