Machine Learning und Deep Learning im Unternehmen - Intensiv

Seminarziel

Diese fünftägige ML/DL Intensiv-Schulung bietet Ihnen einen schnellen, jedoch fundierten Einstieg in die künstliche Intelligenz mit besonderem Schwerpunkt auf Machine Learning und Deep Learning. Sie lernen die wichtigsten Best Practices und Techniken für die Bearbeitung und Erstellung von Projekten auf Basis der Open-Source-Bibliotheken wie Scikit-Learn, Keras, TensorFlow, PyTorch, OpenCV und Huggingsface kennen.

Nach diesem Kurs werden Sie Begriffe wie Embeddings, Object Detection, Image Segmentation, Attention Mechanism, GANs und viele mehr nicht nur einzuordnen wissen, sondern auch die dahinterliegenden Methoden sowie Modelle zur Bildklassifizierung, Objekterkennung, Verarbeitung natürlicher Sprache sowie Zeitreihenanalysen verstehen und praktisch einsetzen können. 

Inhalt

Das Themenspektrum des Workshops deckt die wichtigsten Anwendungen des Maschinellen Lernens ab, kombiniert mit realistischen Anwendungsfällen und Datensätzen. Sie lernen folgende Konzepte kennen:

• Algorithmen zum überwachten Lernen
  • Lineare Modelle, k-nächste Nachbarn, Entscheidungsbäume
  • Support Vector Machines mit Kernel
• Unüberwachtes Lernen und Vorverarbeitung 
  • Clusteranalyse, DBSCN, Logistische Regression, Naive Bayes
  • Dimensionsreduktion, Hauptkomponentenzerlegung (PCA)
• Repräsentation von Daten und Merkmalsgenerierung
• Evaluierung und Verbesserung von Modellen
  • Kreuzvalidierung, Gittersuche, Evaluations-Metriken
• Verkettete Algorithmen und Pipelines
• Verarbeitung von Textdaten (Natural Language Processing)
• Neuronale Netze
  • DNN, CNN, RNN, GRU, LSTM, Autoencoder, Transformer
  • Transfer Learning 
  • Objekterkennung (Yolo), Bild-Segmentierung
  • Spezielle Netzwerke: U-Net, ResUnet
  • Autoencoder, VAE, GANs, Siamesische Netzwerke
• Konkrete im Kurs umgesetzte Projekte mit Python aus verschiedenen Industrien und Betriebsfunktionen
  • Marketing
    • Kundensegmentierung (k-Means, Autoencoder, PCA)
    • Empfehlungssysteme (Neuronale Netze)
  • Gesundheitswesen
    • Diagnose von Krankheiten anhand von Symptomen oder Röntgenaufnahmen (Neuronale Netze)
    • Tumorerkennung und -lokalisierung (Bild-Segmentierung, U-Net bzw. ResNet)
  • Sales
    • Bedarfs- bzw. Umsatzprognose (univariate, multivariate) (LSTM, GRU, Transformer)
  • Pflanzenschutz
    • Erkennung von Pflanzenkrankheiten (Bild-Segmentierung durch U-Net)
  • Zugangskontrolle
    • Gesichtserkennung (Siamesisches Netzwerk bzw. VggFace)
  • Produktion :
    • Ausreißer-Erkennung (Autoencoder, PyOD)
    • Anomalien bei der Qualitätskontrolle (Bild-Segmentierung mit ResNet)
    • Anomalien bei Kurvenläufen (z.B. Druck- der Temperaturverläufen) (Autoencoder)
    • Automatisches Erkennen bzw. Zählen von Objekten (z.B. Artikel, Paletten, Personen...)
  • Prädiktive Wartung
    • Anomalie-Erkennung bei Zeitreihen (Autoencoder, PyCaret)
    • Vorbeugende Wartung am Beispiel eines Turbinentriebwerks (LSTM)
  • Versicherungswesen
    •  Automatische Schadenserkennung (Bild-Segmentierung mit Res-Net, Annotation)
• Weitere im Training erstellte Anwendungen
  • Textzusammenfassungen (Transformer, BERT)
  • Extraktion benannter Entitäten aus Dokumenten (Transformer, BERT)
  • Klassifizierung von E-Mails (LSTM, BERT)
  • Erkennung und Entziffern von Nummernschildern (Yolov7)
  • Auswertung von Drohnenaufnahmen (Bildsegmentierung, U-Net)