Artificial Intelligence
Bootcamp

Um Grundlagen der künstlichen Intelligenz und des Machine Learning zu beherrschen, braucht man keinen Doktor in Mathematik! Mit unserem codecentric.AI Bootcamp geben wir dir einen komprimierten Schnelldurchlauf durch ML, Deep Learning, Computer Vision und Co. – hands-on und kostenlos.

KOSTENLOS TEILNEHMEN

Für wen ist dieser Kurs geeignet?

  • Der Kurs ist für Software-Entwickler und Quereinsteiger.
  • Du solltest Programmiererfahrung und Basiskenntnisse in Python haben.
  • Vorkenntnisse in den Bereichen Machine Learning und Deep Learning sind nicht nötig.
  • Der Kurs eignet sich für Einsteiger und teilweise auch für Fortgeschrittene.
  • Der Kurs eignet sich auch für Firmenkunden:
    Bilden Sie bei uns Ihre Mitarbeiter aus (inklusive Präsenz-Paket und Consulting Budget).

Was wird dir dieser Kurs beibringen?

Du lernst die Grundlagen von Machine Learning, neuronalen Netzen und praktischem 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 über den Bereich NLP (Natural Language Processing) und du wirst lernen, E-Mails zu klassifizieren und automatisch zu beantworten.

Mithilfe von Generative Adversarial 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 Machine Learning, um Aktienkurse vorherzusagen.

Welche Module erwarten dich in diesem Kurs?

Modul 1: Einführung

Modul 2: Entwicklungsumgebung

  • Lokal oder in der Cloud? CPU oder GPU?
  • Einrichtung mit Docker
  • Jupyter Notebook Basics

Modul 3: Machine Learning Basics

  • Was ist Machine Learning?
    • Lernen aus Daten
    • Supervised vs. Unsupervised 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

Modul 4: 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 klassischen Methoden
    • Beispiel Security Camera
    • Was geht mit DL? Object Detection, Human Pose Estimation, Drohne

Modul 5: Neuronale Netze und Deep Learning

  • Neuronale Netze vs. Machine Learning
  • Historie
  • Was ist ein Perzeptron?
  • Was sind Aktivierungsfunktionen?
  • Neuronale Netze können jedes Problem eingrenzen.
  • Mehrschichtige Perzeptrone
  • Klassifikationsprobleme
  • Softmax-Funktion
  • Cross Entropy und Loss-Funktionen
  • Backpropagation
  • Gradient Descent
  • Was ist Deep Learning?
  • Wo begegnet man Deep Learning?

Modul 6: Überblick über Frameworks

  • Überblick TensorFlow, Keras, PyTorch
  • Deep Dive PyTorch (in Arbeit)

Modul 7: Computer-Vision-Praxis 1

Was bist du denn für ein Früchtchen? Anhand eines Kaggle 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

Modul 8: 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? (in Arbeit)

Modul 9: Deep Learning mit mehr Power

  • Überblick DL auf AWS
  • Unser Docker auf einer AWS-EC2-Instanz
  • Einführung SageMaker
  • colab.research.google.com

Modul 10: Architekturen von neuronalen Netzen

  • CNN: LeNet, AlexNet, ResNet, ...
  • RNNs (LSTMs)
  • AutoML
  • Hyper Parameter Tuning (Gridsearch)

Modul 11: Transfer Learning

  • Was sind vortrainierte Netze?
  • Deep Learning mit wenig Daten
  • Vortrainierte Netze anwenden.
  • ResNets – the State of the Art
  • Hausaufgabe: Großes Dataset klassifizieren

Modul 12: Generative Adverserial Networks (GAN)

  • Was ist ein GAN und wie funktioniert es?
  • Beispielanwendungen: Generation of Images (e.g. anime figures, ProgressiveGrowing), Superresolution, Style Transfer
  • Beispiel: Emoji-Erstellung (Progressives Wachstum von GANs von NVIDIA)

Modul 13: Predictive Maintenance

  • Anwendung von Machine Learning für Predictive Maintenance
  • Wartungsstrategien
  • Arten von Daten
  • Klassifikation mit CNNs

Modul 14: Natural Language Processing Basics

  • Was kann NLP und was nicht?
  • Sprachsynthese
  • Topic Modeling
  • Sprache verstehen
  • Alexa, Siri und Co.
  • TTS-Systeme in der Cloud

Modul 15: NLP-Praxis 1

  • Emails automatisch verstehen
  • Intents in Texten erkennen
  • Topic Modeling
  • LSTMs für NLP

Modul 16: Reinforcement Learning Basics

tbd

Modul 17: Reinforcement-Learning-Praxis 1

tbd

Die Dozenten stellen sich vor

Oliver Moser

Oliver Moser

Oliver ist Autodidakt und konzentriert sich auf die Themen Computer Vision und Deep Learning. Seit 1999 ist er international als IT Consultant unterwegs und bringt umfangreiche Erfahrung in den Bereichen Cloud, Big Data und IT Security mit.

Dr. Shirin Glander

Dr. Shirin Glander

Shirin hat in der Bioinformatik promoviert. Sie wendet Analyse- & Visualisierungsmethoden verschiedenster Bereiche an – z.B. Machine Learning, klassische Statistik, Textanalyse, etc. – um Informationen aus Daten zugänglich und nutzbar zu machen.

Dr. Thomas Timmermann

Dr. Thomas Timmermann

Thomas hat in Mathematik promoviert, umfangreiche Erfahrung in der Forschung und Weiterbildung gesammelt und verstärkt die codecentric im Bereich Data Science und Machine Learning. Besonders interessieren ihn alle Themen rund um KI und Deep Learning.

Deep Dive für Unternehmen

Wir bieten unseren Kurs kostenlos an – bei Interesse könnt ihr jedoch einen Vor-Ort-Workshop buchen. Den Workshop können wir flexibel gestalten und dabei auch individuell auf aktuelle Problemstellungen eingehen (z.B. konkrete Projekt-Vorhaben). Deshalb hier nur ein Beispiel wie so ein Kurs aussehen könnte. Bei Interesse bitte einfach mit uns in Kontakt treten.

  • Drei Tage Intensiv-Workshop vor Ort. 3 Tage Intensiv-Workshop (wählbahre Module: ML Basics, Neuronale Netze, Deep Learning, Computer Vision, NLP - jeweils mit Praxis Schwerpunkt)
  • Die Teilnehmer bekommen direkten Kontakt zu den Dozenten. Direkter Kontakt zu den Dozenten.
    (Gemeinsam arbeiten wir an konkreten Aufgaben. Deep Learning Hands-On!)
  • Zusätzlich erhaltet ihr ein Consulting-Paket Inklusive Consulting-Paket (8 Std.) mit erfahrenen Data Scientists
    (gemeinsame Analyse Ihrer aktuellen Anforderungen aus Projekten)
  • Paket Kosten Preis auf Anfrage (wir berechnen nicht pro Teilnehmer). Bei Anfrage bis Ende Februar 2019 bieten wir 40% Early Bird Rabatt auf den durchgeführten Workshop.

(Teilnehmerzahl: mindestens 4 bis maximal 20)

FAQ

Wie läuft der Kurs ab?

Der Kurs ist aufgeteilt in mehrere Abschnitte. 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, in dem wir uns Code ansehen und danach folgen Übungsaufgaben, die selbständig zu bearbeiten sind. Die Kursinhalte 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 allerdings komisch und werden so in der Praxis kaum verwendet. Wir haben die ideale Lösung noch nicht gefunden – 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/

Ist der Kurs schon vollständig verfügbar?

Wir entwickeln den Kurs Schritt für Schritt weiter. Einige Kapitel sind bereits online, an anderen arbeiten wir noch. Wir werden den Kurs kontinuierlich weiterentwickeln und vor allem immer neue Übungen einstellen, die in der Praxis relevant sind (z. B. aus dem Projektalltag oder aufgrund von Teilnehmerfeedback).

codecentric AI Bootcamp
codecentric AI Bootcamp
codecentric AI Bootcamp