Deep Learning mit Python

Neuronale Netze spielen eine Schlüsselrolle bei der Automatisierung komplexer Prozesse in zahlreichen Geschäftsfeldern. Sie kommen im Backend zum Einsatz, um Gesichter auf Fotos zu erkennen, Fehler in maschinellen Prozessen zu identifizieren und Kursentwicklungen im Aktienhandel vorherzusagen — dies sind nur einige von vielen Anwendungsgebieten. In diesem Seminar erhalten die Teilnehmer eine fundierte Einführung in die Grundlagen des Deep Learnings sowie in die praktische Nutzung des Frameworks Keras. Ziel ist es, die Teilnehmer zu befähigen, eigenständige Deep-Learning-Lösungen zu entwickeln und in ihren jeweiligen Bereichen produktiv einzusetzen. Das Seminar beginnt mit der Erklärung der Funktionsweise neuronaler Netze, angefangen bei einfachen Neuronen bis hin zu deren Verknüpfung in komplexen Architekturen. Im praktischen Teil wird das Anlernen neuronaler Netze mit Python und Keras anhand realer Beispieldaten geübt. Zudem werden fortgeschrittene Themen wie die Verarbeitung von Bilddaten mithilfe konvolutionaler Schichten (CNN) und die Analyse von Sequenzdaten (wie Texte und 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