Das codecentric.AI Bootcamp ist für Entwickler auch ohne Mathe Studium und ohne Data Science Background. Als Einsteiger oder Fortgeschrittener findest du bei uns einen komprimierten Schnelldurchlauf durch die wichtigsten Themen im Bereich der künstlichen Intelligenz. Unser Kurs ist Hands-On - wir zeigen dir viele praktische Beispiele und Anwendungsmöglichkeiten. Noch vor ein paar Jahren stand diese Technologie nur einer Elite zur Verfügung - heute kann man sie einfach anwenden! Wir stellen unsere Inhalte kostenlos zur Verfügung und produzieren diese auf Deutsch.

START NOW
(Im Moment ist der Kurs nur für eine Test-Gruppe verfügbar)

Lernziele

  • Du lernst die Grundlagen von Machine Learning, von neuronalen Netzen und praktisches Deep Learning!
  • Im Bereich Computer Vision, wirst Du Bilder in Keras einlesen und eigene Klassifikationsmodelle trainieren.
  • Umgang mit den derzeit relevanten Frameworks (z.B. TensorFlow, Keras, Pytorch)
  • Wir geben einen Überblick in den Bereich NLP und du wirst lernen Emails zu klassifizieren und automatisch zu beantworten.
  • Mit Hilfe von Generative Adverserial Networks lassen wir neuronale Netze kreativ werden.
  • Wir zeigen dir was man mit Reinforcement Learning machen kann und du trainierst einen eigenen Agenten im OpenAI Gym.
  • Gemeinsam nehmen wir an Kaggle Contests teil.
  • Wir verwenden Reinforcement Learning um Aktien Kurse vorherzusagen


Für wen ist der Kurs geeignet?



Firmen Paket

Wir bieten unseren Kurs kostenlos an - bei Interesse könnt ihr jedoch ein Vor-Ort Workshop buchen. Dieser beinhaltet folgendes:



Curriculum

Einführung

Entwicklungs Umgebung
  • Lokal oder in der Cloud? CPU oder GPU?
  • Einrichtung mit Docker
  • Jupyter Notebook Basics
Machine Learning Basics
  • Was ist Machine Learning
    - Lernen aus Daten
    - Supervised vs. Unsupervises vs. Reinforced
    - Regression vs. Classification
    - Cost Functions
    - Machine Learning ist mathematische Approximation
  • Einführung in Random Forests
  • Boosting, SVM,
  • PCA, t-SNE, ...
  • Klassische Methoden
  • Algorithmen
  • "klassische" Anwendungsgebiete
Computer Vision Basics

Am Beispiel einer Computer Vision Drohne erklären wir wie man einfache CV Algorithmen kombiniert um Personen zu finden:
  • Welche Tools und Frameworks gibt es
  • Wie sieht der Rechner ein Bild
  • Bilder laden und verarbeiten
  • Farbräume
  • Klassische Algorithmen und Methoden (z.B. Haar Cascades, HOG etc.)
  • Thresholding
  • Finde einen Marker im Bild
  • Finde Gesichter im Bild
  • Vor- und Nachteile von klassichen Methoden
    - Beispiel Security Camera
    - Was geht mit DL: Object Detection, Human Pose Estimation ..., Drone
Neuronale Netze und Deep Learning

  • Neuronale Netze vs. Machine Learning
  • Historie
  • Was ist ein Perzeptron
  • Was sind Aktivierungsfunktionen
  • Neuronale Netze können jedes Problem annähern
  • Mehrschichtige Perzeptrone
  • Klassifikations-Probleme
  • Softmax Funktion
  • Cross Entropy und Loss Funktionen
  • Backpropagation
  • Gradient Descent
  • Was ist Deep Learning
  • Wo begegnet man Deep Learning
Überblick über Frameworks
  • Überblick TF, Keras, PyTorch
  • deep dive pytorch
Neuronale Netze selbst gemacht
  • Einfaches NN selbst geschrieben
  • Aktivierungs- und Loss FUnktionen
  • Forward Feed selber rechnen
  • Backprop selber rechnen
  • (Wie mache ich das in pytorch)
Computer Vision Praxis 1: AI Tutti Frutti

Was bist du denn für ein Früchtchen? Anhand eines Früchte-Datasets bauen wir einen Classifier, der Bananen, Äpfel, Birnen und vieles mehr voneinander unterscheiden kann.
  • Bilder aus Kaggle einlesen
  • Ordner Strukturen (Labels, Training, Test)
  • Data Augmentation
  • Das erste neuronale Netz Trainieren: CNN
  • Kontrolle des Trainings mit TensorBoard
  • Was sind ConvNets bzw. Convolutions
  • Pooling und Output
  • Visualisieren, was das Netz gelernt hat
  • Evaluation des Modells und Bilder Testen
  • Performance Kriterien
Deep Learning mit mehr Power
  • Überblick DL auf AWS
  • Unser Docker auf AWS EC2 Instanz
  • Einführung SageMaker
  • colab.research.google.com
Transfer Learning
  • Was sind vortrainierte Netze
  • Deep Learning mit wenig Daten
  • Vortrainierte Netze anwenden
  • ResNets - the State of the Art
  • Hausaufgabe: Großes Dataset klassifizieren
NN Architekturen
  • CNN: LeNet, AlexNet, ResNet, ...
  • RNNs (LSTMs)
  • AutoML
  • Hyper Parameter Tuning .. (Gridsearch)
Generative Adverserial Networks
  • Was ist ein GAN und wie funktioniert es
  • Beispielanwendungen: Generation of Images (e.g. Anime figures, ProgressiveGrowing), Superresolution, Style Transfer
  • Example: emoji creation (Progressive growing of GANs by NVIDIA)
Predictive Maintenance
  • Wartungs Strategien
  • Arten von Daten
  • Klassifikation mit CNNs
Natural Language Processing Basics
  • Was kann NLP und was nicht
  • Sprach Syntese
  • Topic Modeling
  • Sprache Verstehen
  • Alexa Siri und Co
  • TTS Systeme in der Cloud
NLP Praxis 1: Emails automatisch verstehen und beantworten
  • bald mehr
Reinforcement Learning Basics
  • bald mehr
Reinforcement Learning Praxis
  • bald mehr


FAQs

Wie läuft der Kurs ab? Der Kurs ist aufgeteilt in mehrere Abschitte. Wir versuchen jede Einheit kleiner als 30 Minuten zu halten, damit man den Kurs gut "nebenbei" machen kann. Zu jedem Modul haben wir zunächst ein paar einführende Videos erstellt, die die Basics erklären sollen. Danach gibt es jeweils einen praktischen Teil, wo wir uns Code ansehen und danach folgen Übungsaufgaben, die selbständig zu bearbeiten sind. Die Kurs Inhalte sind fast ausschliesslich auf Deutsch erstellt.

Overfitting oder doch Überanpassung? Wir haben uns zum Ziel gesetzt Machine Learning Inhalte auf Deutsch zu produzieren. Natürlich sprechen die meisten Data-Scientists gut Englisch, dennoch sind wir der Meinung, dass dies förderlich für eine deutschsprachige Community ist. Viele der verwendeten Fachbegriffe klingen auf Deutsch aber total komisch und werden so in der Praxis kaum verwendet. Wir sind uns auch nicht sicher, was hier der Beste Weg ist - bislang mixen wir einfach alles bunt durcheinander ... wir hoffen that's ok for Dich :)

Was kostet der Kurs? Wir lieben den Open Source Gedanken. Daher stellen wir diesen Kurs kostenlos zur Verfügung. Wir hoffen damit mehr Entwickler für die Themen Machine und Deep Learning begeistern zu können. Bei Interesse bieten wir aber auch einen komprimierten Vor-Ort Workshop für Firmen an.

Was mache ich, wenn ich Hilfe brauche? Zur Begleitung des Kurses haben wir eine Slack Community erstellt. Dort kannst Du Dich anmelden und Deine Fragen stellen. https://join.slack.com/t/cc-ai-bootcamp/signup

Ist der Kurs schon vollständig verfügbar? Wir entwickeln den Kurs Schritt für Schritt. Einige Kapitel sind bereits online - an anderen arbeiten wir noch. Wir werden den Kurs kontinuierlich weiter entwickeln und vor allem immer neue Übungen einstellen, die in der Praxis relevant sind (z.B. aus dem Projekt-Alltag - oder aufgrund vom Feedback der Teilnehmer).



Weitere Links und Kontakt