Deep Learning mit Python

Neuronale Netze automatisieren heute komplexe Vorgänge in einer Vielzahl von Geschäftsfeldern. Sie arbeiten im Backend an der Erkennung von Gesichtern anhand von Fotos, an der Analyse von Fehlern in maschinellen Prozessen und der Prognose von Kursgewinnen oder Verlusten im Aktienhandel, um nur einige Beispiele zu nennen. Das Seminar gibt eine Einführung in die Basics des Deep Learnings und in die praktische Anwendung mit dem Framework Keras. Ziel des Seminars ist es, die Teilnehmerinnen und Teilnehmern in die Lage zu versetzten, eigenständige Deep Learning Lösungen in ihren jeweiligen Geschäftsfeldern zu entwickeln und produktiv einzusetzen. Um dieses Ziel zu erreichen, werden im Seminar zunächst die Arbeitsweise neuronaler Netze ausgehend von einfachen Neuronen und deren Verkettung erklärt. Im praktischen Teil steht dann das Anlernen neuronaler Netze mit Python und Keras anhand von Beispieldaten im Mittelpunkt. Dabei werden auch die Verarbeitung von Bilddateien mit konvolutionalen Schichten (CNN) und die Verarbeitung von Sequenzdaten (Texte, Zeitreihen) mit rekurrenten Schichten (RNN) behandelt.

Inhalte des Seminars

Wie lernen Neuronale Netze?

• Hintergrund: Aktivierungsfunktionen, Gradient Descent und Verlustfunktion
• Aufbau einfacher und komplexer neuronaler Netze
• Das Backpropagation-Lernprinzip

Neuronale Netze mit Keras anlernen

• Einführung in Tensorflow
• Neuronale Netze mit Keras aufbauen, anlernen und zur Klassifizierung einsetzen
• Mit Overfiting umgehen
• Komplette Modelle und Gewichtungen speichern und laden
• Anlernprozess mit TensorBoard überwachen

Arbeiten mit Sequenzdaten (Zeitreihen und Text)

• Besonderheiten der Analyse von Sequenzdaten
• Funktionsweise rekurrenter Netze (RNN)
• Sequenzdaten mit Keras verarbeiten (SimpleRNN und LSTM Layer)

Bilddaten verarbeiten mit Convulational Neural Nets

• Besonderheiten der Bildverarbeitung
• Funktionsweise translationsinvarianter Verfahren
• Konvolutionale Layer (CNN) mit Keras aufbauen und trainieren
• Vortrainierte Layer laden und einsetzen

Datenvorbereitung

• Daten mit Pandas einlesen, bereinigen und vorbereiten
• Mit One-hot Kodierung kategoriale Variablen vorbereiten
• Standardisierung von Daten
• Dimensionsreduktion mit PCA
• Textdaten mit Vectorizern (Bag-of-words) und Worteinbettungen (Embedded Layer) verarbeiten