Deep Dive into Deep Learning – KI verstehen und anwenden – Modul 3: Erfolgsfaktoren des Deep-Learning, Investitionskosten
27.11. | 15:00 – 16:30
Künstliche Intelligenz ist aus unserem Alltag nicht mehr wegzudenken. Angefangen bei der automatischen Erkennung von Verkehrsschildern, beim Autofahren, über das Einschalten von Geräten mittels Sprachsteuerung bis hin zum Entsperren unserer Smartphones mit Gesichtserkennung – KI hat sich fest in unserem Leben etabliert. Auch in der Automobilindustrie und besonders im Kontext des autonomen Fahrens werden KI-Algorithmen zunehmend bedeutsam.
Doch wie ist es überhaupt möglich, einer leblosen Maschine solche Fähigkeiten beizubringen? Mit den klassischen Programmierparadigmen wie if-then-else-Anweisungen oder Schleifen stößt man dabei schnell an Grenzen. Hier kommen KI-Algorithmen ins Spiel.
Unser Angebot
Wir bieten Ihnen eine Veranstaltungsreihe an Webinaren an, in denen Sie grundlegende Kenntnisse im Bereich neuronale Netze und insbesondere Deep Learning erlangen. Insgesamt werden drei Webinare in einem wiederkehrenden Format angeboten. So haben Sie die Flexibilität, ein Webinar, passend zu Ihrem Zeitplan, zu besuchen. Melden Sie sich einfach an und wir informieren Sie, wenn die nächste Onlineveranstaltung ansteht.
Zusätzlich können Sie in mehreren Praxis-Modulen Ihr Wissen aus den Webinaren anwenden und lernen eigenständig erste KI-Anwendungen zu programmieren. Zugang zu den Praxis-Modulen erhalten Sie nach der Registrierung für ein Theorie-Modul.
Lerninhalte
Theorie-Modul 1: Technische Implikationen, Anwendungsbeispiele
In diesem Modul betrachten wir künstliche neuronale Netze (KNN) zunächst aus einer übergeordneten Perspektive, ohne auf die Details ihrer Funktionsweise einzugehen. Wir sehen sie als eine ‚Black Box‘, in die Daten hineingehen und aus der Ergebnisse herauskommen. Sie lernen, wie diese Daten aussehen müssen, wie Sie KNN mit Daten trainieren und welche Aufgaben Sie mit KKN automatisieren können. Dies reicht beispielsweise von der Qualitätskontrolle gefertigter Teile über die Detektion von Cyberangriffen bis hin zum autonomen Fahren.
Nach Absolvieren dieses Moduls wissen Sie grundlegend, welche Voraussetzungen für das Training von KNN notwendig sind und auf was Sie dabei achten müssen.
Theorie-Modul 2: Grundlagen zu neuronalen Netzen
In diesem Modul tauchen wir tiefer in die Funktionsweise von künstlichen neuronalen Netzen (KNN) ein und erklären die mathematischen Grundlagen. Dabei werden wir zunächst die klassischen KNN (FCNs) erklären, die beispielsweise für die Vorhersage von Ausfallwahrscheinlichkeiten bei Produktionsmaschinen eingesetzt werden können. Anschließend werden wir darauf eingehen, wie diese für die Bildverarbeitung optimiert wurden (CNNs), um z.B. Objekte und Ereignisse in Bildern zu erkennen. Schließlich zeigen wir, wie ein Gedächtnis bei KNN (RNNs) umgesetzt werden kann für die Verarbeitung von zeitlichen Daten, wie bei der Sprachverarbeitung oder der Wahrnehmung von Objekten in Videos.
Nach Absolvieren dieses Moduls kennen Sie die mathematischen Konzepte hinter KNN und kennen verschiedene Typen wie FCNs, CNNs und RNNs.
Theorie-Modul 3: Erfolgsfaktoren des Deep-Learning, Investitionskosten
In diesem Modul zeigen wir, warum künstliche Intelligenz in den vergangenen Jahren so erfolgreich geworden ist. Wir erklären Ihnen die Herausforderungen, die die Forschung zu lösen hatte und zeigen auf, warum es heute deutlich einfacher ist, eigene KI-Modelle zu trainieren.
Nach Absolvieren dieses Moduls wissen Sie, warum KNN so erfolgreich sind und können abschätzen, wie aufwändig eine Eigenentwicklung ist.
Ihre Vorteile
- Sie lernen grundlegende Methoden des Maschinellen Lernens und verstehen deren Funktionsweise.
- Sie erlernen Programmierkenntnisse in Python und lernen High-Level-Machine-Learning-Bibliotheken kennen: SciKit-Learn, PyTorch und Tensorflow
- Sie lernen eigenständig KI-Modelle zu trainieren und anzuwenden.
- Sie lernen die bekanntesten Benchmark Datensätze kennen und wissen, wie Sie diese nutzen können.
- Sie lernen KI-Modelle zu evaluieren und zu vergleichen.
- Sie lernen verschiedene Netzwerkarchitekturen und Aufgabentypen kennen.
Zielgruppe und Vorkenntnisse
- Mathematische Kenntnisse im Bereich Vektoren/Matrizen sowie weiterführende Programmiererfahrung sind für die Praxis-Module notwendig
- Fach- und Führungskräfte aus den Bereichen Mobilität und Produktion
- Einsteiger/-innen im Bereich der Entwicklung von KI-Modellen
Organisatorisches
Wir empfehlen Ihnen, die Theorie-Module in der vorgestellten Reihenfolge zu besuchen, falls Sie aber schon Vorwissen zu einem Modul haben, können Sie dieses auch auslassen oder ein Modul zu einem anderen Datum buchen. Die Termine dieser Reihe finden zu folgenden Daten statt:
Verwenden Sie bitte die Schaltfläche unten, um sich für diesen Termin anzumelden. Wenn Sie einen anderen Termin buchen möchten, klicken Sie bitte auf das obenstehende Datum.
Anmeldung
Deep Dive – Reihe 3, Modul 3 – 27.11.2024
Die Theorie-Module finden online statt. Sie erhalten rechtzeitig vor dem Termin einen Link zum Online-Meeting.
Die Anmeldung schließt am Tag vor dem Veranstaltungstermin um 10:30 Uhr.
Sollten Sie Fragen oder Probleme mit der Anmeldung haben,
wenden Sie sich bitte an den oben angegebenen Kontakt.
Veranstaltungsort
