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_608@www.digitalzentrum-fokus-mensch.de
SUMMARY:KI-Trainer: Entwicklung - Grundlagen Deep Learning Teil 1
STATUS:CONFIRMED
DESCRIPTION:\n\nHier anmelden \n\nMit den geeigneten Plattformen und Entwic
 klungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbesonde
 re die vielversprechenden Deep-Learning-Technologien besitzen eine Vielzah
 l an Entwicklungstools\, die es KI-Entwicklern erlauben\, weniger Zeit für 
 aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit f
 ür die Problemlösung selbst 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 u
 nd -frameworks bis hin zu Deep-Learning-Grundlagen und Implementation. Die
 se Reihe erlaubt es Programmierern ohne KI-Kenntnisse\, startbereit für De
 ep Learning zu werden. An den einzelnen Teilen kann sequenziell teilgenomm
 en werden\, benötigte Kenntnisse in späteren Teilen werden in vorherigen T
 eilen vermittelt. Einzig für den ersten Teil sollten allgemeine Programmie
 rkenntnisse vorhanden sein. \n\n \n\n3: Deep-Learning-Grundlagen \n\nIn di
 eser mehrteiligen Reihe werden die Grundlagen von Deep Learning vermittelt
 . Angefangen bei einem einzelnen Neuron werden Schritt für Schritt Bestand
 teile moderner neuronaler Netze für die Klassifikation aufgezeigt und erkl
 ärt. Ein Einstieg in das größte Python-Framework für maschinelles Lernen "
 Tensorflow" wird gegeben\, um anschließend gemeinsam einfache Modelle zu e
 ntwickeln. Die Inhalte umfassen unter anderem: \n\n- Neuronaler Netzwerk-A
 ufbau \n\n- Allgemeiner Lernprozess \n\n- Gängige Optimierungsverfahren \n
 \n- Gängige Leistungsmetriken \n\n- Convolutional Neural Networks \n\n- Te
 nsorflow-Grundlagen \n\nDie Inhalte über Jupyter-Notebooks vermittelt und 
 anhand von Übungen gefestigt. \n\n \n\nVoraussetzungen: \n\n- Python-Grund
 kenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlagen für Dee
 p Learning" (Details siehe Link am Ende der Beschreibung) \n\n- Numpy-Kenn
 tnisse wie z. B. aus unserem Online-Seminar "Python-Entwicklungstools für 
 Deep Learning" (Details siehe Link am Ende der Beschreibung) \n\n- Optiona
 l: Grundkenntnisse von KI – z. B. über einen Besuch unserer Schwerpunkt-1-
 Workshops\, die es einem besser erlauben\, die verwendeten Technologien ei
 nzuordnen. \n\n \n\nZielgruppe: \n\nPython-Entwickler\, die in Zukunft Dee
 p Learning verwenden möchten. \n\n \n\nDetails und Termine zu anderen Teil
 en dieses Schwerpunktes finden Sie hier.
X-ALT-DESC;FMTTYPE=text/html:<p><a href="https://www.eventbrite.de/e/121176
 402883">Hier anmelden</a></p>\n\n<p>Mit den geeigneten Plattformen und Ent
 wicklungswerkzeugen lassen sich KI-Projekte sehr schnell umsetzen. Insbeso
 ndere die vielversprechenden Deep-Learning-Technologien besitzen eine Viel
 zahl an Entwicklungstools, die es KI-Entwicklern erlauben, weniger Zeit fü
 r aufwendige Grundlagen-Implementationen aufzubrauchen und dafür mehr Zeit 
 für die Problemlösung selbst zu finden.</p>\n\n<p>In mehreren Teilen geht 
 es bei uns hier deshalb rund um die Entwicklung: angefangen bei einem Eins
 tieg in die Pythonprogrammierung über die Betrachtung gängiger Entwicklung
 stools und -frameworks bis hin zu Deep-Learning-Grundlagen und Implementat
 ion. Diese Reihe erlaubt es Programmierern ohne KI-Kenntnisse, startbereit 
 für Deep Learning zu werden. An den einzelnen Teilen kann sequenziell teil
 genommen werden, benötigte Kenntnisse in späteren Teilen werden in vorheri
 gen Teilen vermittelt. Einzig für den ersten Teil sollten allgemeine Progr
 ammierkenntnisse vorhanden sein.</p>\n\n<p> </p>\n\n<p>3: Deep-Learning-Gr
 undlagen</p>\n\n<p>In dieser mehrteiligen Reihe werden die Grundlagen von 
 Deep Learning vermittelt. Angefangen bei einem einzelnen Neuron werden Sch
 ritt für Schritt Bestandteile moderner neuronaler Netze für die Klassifika
 tion aufgezeigt und erklärt. Ein Einstieg in das größte Python-Framework f
 ür maschinelles Lernen "Tensorflow" wird gegeben, um anschließend gemeinsa
 m einfache Modelle zu entwickeln. Die Inhalte umfassen unter anderem:</p>\
 n\n<p>- Neuronaler Netzwerk-Aufbau</p>\n\n<p>- Allgemeiner Lernprozess</p>
 \n\n<p>- Gängige Optimierungsverfahren</p>\n\n<p>- Gängige Leistungsmetrik
 en</p>\n\n<p>- Convolutional Neural Networks</p>\n\n<p>- Tensorflow-Grundl
 agen</p>\n\n<p>Die Inhalte über Jupyter-Notebooks vermittelt und anhand vo
 n Übungen gefestigt.</p>\n\n<p> </p>\n\n<p>Voraussetzungen:</p>\n\n<p>- Py
 thon-Grundkenntnisse wie z. B. aus unserem Online-Seminar "Python-Grundlag
 en für Deep Learning" (Details siehe Link am Ende der Beschreibung)</p>\n\
 n<p>- Numpy-Kenntnisse wie z. B. aus unserem Online-Seminar "Python-Entwic
 klungstools für Deep Learning" (Details siehe Link am Ende der Beschreibun
 g)</p>\n\n<p>- Optional: Grundkenntnisse von KI – z. B. über einen B
 esuch unserer <a href="https://www.kompetenzzentrum-usability.digital/ange
 bote/ki-trainer/ki-trainer-schwerpunkt-1-grundlagen">Schwerpunkt-1-Worksho
 ps</a>, die es einem besser erlauben, die verwendeten Technologien einzuor
 dnen.</p>\n\n<p> </p>\n\n<p>Zielgruppe:</p>\n\n<p>Python-Entwickler, die i
 n Zukunft Deep Learning verwenden möchten.</p>\n\n<p> </p>\n\n<p>Details u
 nd Termine zu anderen Teilen dieses Schwerpunktes finden Sie <a href=
 "https://www.kompetenzzentrum-usability.digital/angebote/ki-trainer/ki-tra
 iner-schwerpunkt-2-entwicklung">hier</a>.</p>\n
DTSTART;TZID=Europe/Berlin:20201026T100000
DTEND;TZID=Europe/Berlin:20201026T120000
CREATED:20200915T111103Z
LOCATION:Online
DTSTAMP:20200922T151651Z
URL:https://www.digitalzentrum-fokus-mensch.de/kos/WNetz?art=Appointment.sh
 ow&id=608
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