Training: Neuronale Netze und Deep Learning Methoden

Sie lernen aktuelle Verfahren des maschinellen Lernens und des Deep Learnings kennen. Ausgehend von den Grundprinzipien des maschinellen Lernens wird die Repräsentation von Bedeutungen durch Einbettungsvektoren vorgestellt. Mit Hilfe von Self-Attention können extrem leistungsfähige kontextabhängige Einbettungen konstruiert werden, die für vielfältige Aufgaben eingesetzt werden können. Sie erhalten einen umfassenden Deep Dive in die Funktionsweise von generativen Sprachmodellen (z.B. ChatGPT) und daraus abgeleiteten Modellen zur Bilderzeugung (z.B. DALL-E). Ergänzend werden verwandte state-of-the-art Modelle zur Zeitreihenanalyse und Robotersteuerung vorgestellt.

In einer Reihe von praktischen Übungen werden die Modelle mit leistungsfähigen Toolkits (TensorFlow, Pytorch, HuggingFace, etc.) in einem „virtuellen Labor“ implementiert und erprobt. Dabei werden Anpassungs- und Optimierungsmöglichkeiten (z.B. Regularisierung und Prompt-Design) diskutiert und konkrete Anwendungsfälle, Geschäftsmodelle und Einsatzmöglichkeiten erläutert.

Das webbasierte virtuelle Labor besteht aus einem umfangreichen Toolkit mit bewährter Open-Source-Software und dem Zugang zu leistungsfähiger GPU-Hardware. Jupyter Notebooks erlauben nicht nur die Programmierung und Ausführung von Python-basierten Applikationen, sondern eignen sich mit ihren vielfältigen Annotationsmöglichkeiten ideal für den Austausch mit unseren Fachleuten.

Ausgehend von dem umfassenden Überblick durch den Grundkurs vermitteln die Vertiefungsmodule „Zeitreihenanalyse“, „Deep Learning for Textmining“, „Image and Video Understanding“ und „Cognitive Robotics“ Detailkenntnisse in den jeweiligen Gebieten.

Zielgruppe

Analyst*innen, Software-Entwickler*innen und Interessierte, die aus Daten mit maschinellen Lernverfahren Modelle - insbesondere generative AI-Modelle - entwickeln möchten, die in intelligenten Systemen zum Einsatz kommen.

Vorkenntnisse

Vorkenntnisse in Statistik und Mathematik sind von Vorteil. Programmiererfahrung (z.B. Durcharbeiten des Python-Vorkurses).

Zertifizierung

Die Zertifizierung findet durch die Fraunhofer-Personenzertifizierungsstelle statt. Das Zertifikat bescheinigt den Absolventen relevantes innovatives Praxiswissen und nachgewiesene Kompetenz.

Zugangsvoraussetzungen für die Zertifizierung

Studium oder äquivalente Qualifikation durch Einzelnachweis.

Bitte nutzen Sie unsere FAQ für weitere organisatorische Fragen.