Seminar Deep Learning mit Python und Keras

Wie lernen neuronale Netze?

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

Neuronale Netze mit Keras

• Graphen erstellen mit Tensorflow
• Bauen und lernen Sie ein einfaches Netz mit Keras und Tensorflow
• Welches Modell ist das richtige? Bewertung und Anpassung von angelernten Modellen.
• Verwendung von angelernten Modellen für Klassifizierung und Schätzung
• Speichern und Laden von Modellen
• Verhindern von Overfitting mit Dropout-Schichten
• Überwachung des Lernprozesses mit TensorBoard

Faltungsneuronale Netze (CNN)

• Bilddateien als mehrdimensionale Matrizen
• Details und abstrakte Formen sehen: Faltungsneuronale Netze (CNN)
• Erstellen und Lernen von Faltungsschichten mit Keras
• Vortrainierte Schichten verwenden

Rekurrente neuronale Netze (RNN)

• Zeitreihendaten und Textsequenzen: Eigenschaften und Auffälligkeiten
• Neuronale Netze mit Speicher (Feedforward vs. RNN)
• Aufbau von Sequenzdaten mit Long Short-Term Memory (LSTM)
• Textdaten mit Einbettungsschichten interpretieren

Aufbereitung von numerischen Daten, Bild- und Textdaten

• Skalare, Vektoren & Matrizen in Numpy
• Lesen 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: disassemblieren, tokenisieren, vektorisieren und einbetten