BEGIN:VCALENDAR VERSION:2.0 PRODID:-//Michael Angstadt//biweekly 0.4.4//EN CALSCALE:GREGORIAN METHOD:PUPLISH X-FROM-URL:https://www.digitalzentrum-fokus-mensch.de X-WR-TIMEZONE:Europe/Berlin BEGIN:VEVENT UID:ap_604@www.digitalzentrum-fokus-mensch.de SUMMARY:KI-Trainer: Entwicklung - Grundlagen Deep Learning Teil 2 STATUS:CANCELLED DESCRIPTION:\n\nDieses Event wurde auf folgenden Termin verschoben: Termin- Link \n\nMit den geeigneten Plattformen und Entwicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechende n Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools\, die es KI-Entwicklern erlauben\, weniger Zeit für aufwendige Grundlagen-Im plementationen aufzubrauchen und dafür mehr Zeit für die Problemlösung sel bst zu finden. \n\nIn mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es Progra mmierern ohne KI-Kenntnisse\, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden\, benötigte Kenn tnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig f ür den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sein . \n\n \n\n3: Deep-Learning-Grundlagen \n\nIn dieser mehrteiligen Reihe we rden die Grundlagen von Deep Learning vermittelt. Angefangen bei einem ein zelnen Neuron werden Schritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifikation aufgezeigt und erklärt. Ein Einstieg in das g rößte Python-Framework für maschinelles Lernen "Tensorflow" wird gegeben\, um anschließend gemeinsam einfache Modelle zu entwickeln. Die Inhalte umfa ssen unter anderem: \n\n- Neuronaler Netzwerk-Aufbau \n\n- Allgemeiner Ler nprozess \n\n- Gängige Optimierungsverfahren \n\n- Gängige Leistungsmetrik en \n\n- Convolutional Neural Networks \n\n- Tensorflow-Grundlagen \n\nDie Inhalte über Jupyter-Notebooks vermittelt und anhand von Übungen gefestigt . \n\n \n\nVoraussetzungen: \n\n- Python-Grundkenntnisse wie z. B. aus uns erem Online-Seminar "Python-Grundlagen für Deep Learning" (Details siehe L ink am Ende der Beschreibung) \n\n- Numpy-Kenntnisse wie z. B. aus unserem Online-Seminar "Python-Entwicklungstools für Deep Learning" (Details siehe Link am Ende der Beschreibung) \n\n- Optional: Grundkenntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1-Workshops\, die es einem besser erlauben\, die verwendeten Technologien einzuordnen. \n\n \n\nZielgruppe: \n\nPython-Entwickler\, die in Zukunft Deep Learning verwenden möchten. \n \n \n\nDetails und Termine zu anderen Teilen dieses Schwerpunktes finden S ie hier. X-ALT-DESC;FMTTYPE=text/html:

Dieses Event wurde auf folgenden Te rmin verschoben: Termin-Link

\n\n

Mit den geeigneten Plattformen und Entwicklungswerkzeugen lassen s ich KI-Projekte sehr schnell umsetzen. Insbesondere die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzahl an Entwicklungstools, di e es KI-Entwicklern erlauben, weniger Zeit für aufwendige Grundlagen-Imple mentationen aufzubrauchen und dafür mehr Zeit für die Problemlösung selbst zu finden.

\n\n

In mehreren Teilen geht es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Einstieg in die Pythonprogrammier ung über die Betrachtung gängiger Entwicklungstools und -frameworks bis hi n zu Deep-Learning-Grundlagen und Implementation. Diese Reihe erlaubt es P rogrammierern ohne KI-Kenntnisse, startbereit für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenommen werden, benötigte Ke nntnisse in späteren Teilen werden in vorherigen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmierkenntnisse vorhanden sei n.

\n\n

 

\n\n

3: Deep-Learning-Grundlagen

\n\n

In dieser m ehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt. Ange fangen bei einem einzelnen Neuron werden Schritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifikation aufgezeigt und erklärt. E in Einstieg in das größte Python-Framework für maschinelles Lernen "Tensor flow" wird gegeben, um anschließend gemeinsam einfache Modelle zu entwicke ln. Die Inhalte umfassen unter anderem:

\n\n

- Neuronaler Netzwerk-Au fbau

\n\n

- Allgemeiner Lernprozess

\n\n

- Gängige Optimierungsv erfahren

\n\n

- Gängige Leistungsmetriken

\n\n

- Convolutional N eural Networks

\n\n

- Tensorflow-Grundlagen

\n\n

Die Inhalte übe r Jupyter-Notebooks vermittelt und anhand von Übungen gefestigt.

\n\n

 

\n\n

Voraussetzungen:

\n\n

- Python-Grundkenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlagen für Deep Learning" (Details siehe Link am Ende der Beschreibung)

\n\n

- Numpy-Kenntnisse wie z. B . aus unserem Online-Seminar "Python-Entwicklungstools für Deep Learning" (Details siehe Link am Ende der Beschreibung)

\n\n

- Optional: Grundk enntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1-Workshops, die es einem besser erl auben, die verwendeten Technologien einzuordnen.

\n\n

 

\n\n

Zie lgruppe:

\n\n

Python-Entwickler, die in Zukunft Deep Learning verwend en möchten.

\n\n

 

\n\n

Details und Termine zu anderen Teilen di eses Schwerpunktes finden Sie hier.

\n\n
\n
 
\n
\n DTSTART;TZID=Europe/Berlin:20201009T140000 DTEND;TZID=Europe/Berlin:20201009T160000 CREATED:20200915T110618Z LOCATION:Online DTSTAMP:20201001T064212Z URL:https://www.digitalzentrum-fokus-mensch.de/kos/WNetz?art=Appointment.sh ow&id=604 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Berlin LAST-MODIFIED:20260306T231828Z TZURL:https://www.tzurl.org/zoneinfo-outlook/Europe/Berlin X-LIC-LOCATION:Europe/Berlin BEGIN:DAYLIGHT TZNAME:CEST TZOFFSETFROM:+0100 TZOFFSETTO:+0200 DTSTART:19700329T020000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 END:DAYLIGHT BEGIN:STANDARD TZNAME:CET TZOFFSETFROM:+0200 TZOFFSETTO:+0100 DTSTART:19701025T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE END:VCALENDAR