Seminar Deep Learning mit Python & Keras

Wie lernen neuronale Netze?

• Variablen, Modelle und Beziehungen
• Künstliche Neuronen und neuronale Netze
• Mathematische Grundlagen des Lernprozesses: Backpropagation, Verlust und Gradientenabstieg

Neuronale Netze mit Keras aufbauen und trainieren

• Graphen erstellen mit Tensorflow
• Bauen und trainieren Sie ein einfaches Netz mit Keras und Tensorflow 
• Welches Modell ist das richtige? Auswertung und Anpassung von gelernten Modellen.
• Verwendung von gelernten Modellen zur Klassifikation und Schätzung
• Speichern und Laden von Modellen
• Verhindern von Overfitting mit Dropout-Schichten
• Überwachung des Lernprozesses mit TensorBoard

Maschinelles Sehen: Faltungsneuronale Netze (CNN)

• Bilddateien als mehrdimensionale Matrizen
• Faltungsneuronale Netze (CNN)
• Erstellen und Trainieren von Faltungsschichten mit Keras
• Verwenden von vortrainierten Schichten

Sequenzdaten: Rekurrente Neuronale Netze (RNN)

• Zeitreihendaten und Textsequenzen
• Neuronale Netze mit Speicher (Feedforward vs. RNN)
• Aufbau von Sequenzdaten mit LSTM (Long Short-Term Memory)
• Interpretieren von Textdaten mit einbettenden Schichten

Merkmalsextraktion: Aufbereitung von numerischen Daten, Bild- und Textdaten

• Datendarstellung: Skalare, Vektoren & Matrizen in Numpy
• Einlesen und Aufbereiten von Daten mit Pandas, Scikit-learn und Keras
• Qualitative Variablen und Dummy-Sets
• Standardisierung von Daten
• Dimensionsreduktion mit PCA
• Transformieren von Bilddaten
• Arbeiten mit Textdaten