Newsletter

   Kontakt

Einführung in Deep Learning mit Tensorflow und Keras

(2-tägiger iX-Workshop)

Eine AI Revolution im Bereich Bild- und Sprachverarbeitung ist bereits in viele Bereichen des Alltags angekommen. Ob Gesichts- und Objekterkennung in Bildern, Sprachassistenz-Systeme oder live Übersetzung von Sprache: All diese Technologien setzen auf Deep Learning. Viele große Unternehmen haben dies erkannt und setzen Deep
Learning bereits sehr erfolgreich ein.

Starten SIe Ihre Reise in der aufregende Welt von Artificial Intelligence (AI) mit Hilfe von Deep Learning. Gehen Sie Ihre ersten eigenen Schritte mit DL und werden Sie Teil der Transformation.

Dafür liefert dieser Workshop eine praktische Einfürhrung in Deep Learning mit Tensorflow und Keras bei der Sie stets selbst durch Programmieren Hand anlegen. Googles Tensorflow gehört zu den meist genutzten Open-Source-Bibliotheken zur Entwicklung von Anwendungen im Bereich maschinelles Lernen. Die Keras-Bibliothek erlaubt einen besonders schnellen Einstieg in das maschinelle Lernen. 

Deep Learning wird Ihnen auf leicht verständliche Weise anhand von bildlichen Erklärungen und selbst durchgeführten, praktischen Übungen vermittelt. Dabei wird anders als in vielen Online-Kursen auf komplexe Mathematik verzichtet und somit der Zugang erleichtert. 

Sie erhalten zuerst einen Blick hinter die Kulissen von Deep Learning, Machine Learning und den Arbeitsablauf beim Entwickeln von intelligenten Algorithmen. Lernen Sie anschließend die populärsten Neuronalen Netzwerk Architekturen im Deep Learning kennen, verstehen und anzuwenden. Dabei starten wir mit Feed Forward (FF) Networks, gehen über zu Recurrent Neural Networks (RNNs) und schließlich zu Convolutional Neural Networks (CNNs)

Um das Gelernte zu verinnerlichen und anzuwenden enthält der Workshop viele praktische Übungen und einen abschließenden Halbtages-Hackathon. Sie werden hierbei durchgängig direkt durch die Referenten unterstützt.

Zielgruppe

  • Softwareentwickler
  • AI Interessierte mit Programmierkenntnissen

Voraussetzungen

  • grundlegende Kenntnisse in Python und objektorientierter Programmierung
  • Hilfreich aber nicht erforderlich: erste Erfahrung mit dem Python Scientific Stack (Numpy, Pandas, Jupyter
    Notebooks, Seaborn/Matplotlib)
  • Bitte bringen Sie ein eigenes Notebook mit zum Workshop! Es wird ein gängiger Webbrowser benutzt. Zusätzliche Software ist nicht nötig.

Leistungen Ihres Workshoptickets

  • Workshopunterlagen
  • Tagungsgetränke & Verpflegung
  • Teilnahmebescheinigung


Der Workshop ist auf 20 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 14 Tage vorher durch das heise Events-Team informiert.

Kontakt

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

heise Events // events@heise.de

Termine & Preise

19. - 20.02.2019, Hannover

Heise Medien GmbH & Co. KG, Karl-Wiechert-Allee 10, 30625 Hannover

Tickets Hannover

Preise

Frühbucherpreis: 1.629,00 € *

Standardpreis: 1.810,00 €

Alle Preise inkl. MwSt

* 10% Frühbucherrabatt bis 6 Wochen vor Veranstaltungsbeginn

Agenda & Trainer

Programm Tag 1

  • 08:30 - 09:00 Uhr Registrierung

  • 09:00 - 12:30 Uhr

  • Deep Learning in Action

    Motivierende Beispiele zum Einstieg

  • Einordnung AI, Machine Learning und Deep Learning

  • Einführung in Machine Learning

    Kennenlernen von Machine Learning Kernkonzepten: Daten (un-/semi-/supervised), Algorithmen (Klassifikation/Regression), Training

  • Entwicklungsprozess von Machine Learning Modellen

    Schritt für Schritt Ablauf beim Lösen von realen Machine Learning Problemen, CRISP-DM, do-it-yourself Jupyter notebook . Beispiel zum Kennenlernen des python-scientific stack (pandas, numpy, scikit-learn, ...) und Entwicklungsprozesses, Einführung in die Verwendung von Colab als Jupyter notebook Umgebung

  • 12:30 - 13:30 Uhr Mittagspause

  • 13:30 - 17:00 Uhr

  • Deep Learning (DL)

    Was macht DL attraktiv, Nicht-Mathematische und verständliche Einführung in die wichtigsten DL Konzepte (Neuron, Aktivierungsfunktion, Gewichte, Bias, Layers, Vektoren/Matrizen/Tensoren, Error-Backpropagation, Loss-Funktion, Gradient Descent), DL fully-connected-network Action auf dem Tensorflow-Playground.

  • DL mit Tensorflow und Keras

    Leichter Einstieg in DL mit Keras, Vermittlung und Anwendung der Kern Konzepte von Tensorflow (Graph, Operation, Constant, Variable, Session, ...), parallel do-it-yourself Beispiele zu Keras und Tensorflow (Jupyter notebook)

  • Erste eigene DL Anwendung bauen

    Team Challenge: Entwicklung eines fully connected feed forward DL Modells zur Anwendung auf einem bekannten Datensatz, Anwenden und Üben des bisher Gelernten, durchgängige Betreuung und Unterstützung durch die Referenten

  • Ab 17:00 Uhr (freiwillig)

    Let’s have a beer – Für alle, die Interesse haben, wollen wir nach einem intensiven Tag das Wissen bei einem gemeinsamen Bier in entspannter Atmosphäre sacken lassen, wir stehen für Fragen zur Verfügung und können uns in ungezwungener Atmosphäre austauschen. Das erste Bier geht auf uns (Referenten)

Programm Tag 2

  • 09:00 - 12:30 Uhr

  • Recurrent Neural Networks (RNN): Theorie und Anwendung

    Verarbeiten von Datenfolgen und natürlicher Sprache mit RNNs, Trainieren von RNNs mit Backpropagation through time (BPTT), Herausforderungen beim Trainieren lösen (Vanishing/ Exploding Gradients), Long Short Term Memory (LSTMs) Networks, do-it-yourself Jupyter notebook Übungen zum Verinnerlichen des Gelernten

  • Convolutional Neural Networks (CNN): Theorie und Anwendung

    AI Methoden für Bilddaten, Beherrschen von CNN Bausteine: Convolution, Pooling, Padding, 1×1 Convolution, Batch Normalization, Dropout, Data Augmentation, Shortcut, Transfer Learning, Kennenlernen von populären Deep Learning Architekturen, do-it-yourself Jupyter notebook Übungen zum Verinnerlichen des Gelernten

  • 12:30 - 13:30 Uhr Mittagspause

  • 13:30 - 17:00 Uhr

  • Hackathon Team Challenge

    Anwenden des kompletten gelernten Wissens der letzten 2 Tage zum Lösen eines herausfordernden Machine Learning Problems, Interaktives Team Umfeld mit direkter Unterstützung der Referenten

  • Ausblick

    Überblick über weitere interessante DL Themen und Konzepte, Tipps zum weiteren Üben, Fortbilden und Anwenden des Gelernten in der Praxis

Jeweils 15 Minuten Kaffeepause am Vor- und Nachmittag.

Philipp Braunhart

Als Machine Learning Engineer bei Siemens entwickelt Philipp skalierbare AI Lösungen im IoT Umfeld. Gestartet in der Physik (B.Sc.) hat er sich in Richtung AI 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 Spaß für AI zu entwickeln.

Moustapha Karaki

Moustapha ist ein Data Scientist 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.