Tiefes Verstärkungslernen mit Python Schulung

Dieser Kurs behandelt KI (mit Schwerpunkt auf maschinellem Lernen und Deep Learning) in der Automobilindustrie. Er hilft dabei zu bestimmen, welche Technologie (potenziell) in verschiedenen Situationen im Auto eingesetzt werden kann: von einfacher Automatisierung und Bilderkennung bis hin zu autonomen Entscheidungsprozessen.

Die Grundlagen der künstlichen Intelligenz zu erforschen, zeigt auf, wie intelligente Technologie die digitale Strategie, Automatisierung und Entscheidungsfindung in unternehmerischen Abläufen verändert. Behandelt Kernkonzepte aus KI-Geschichte, Problemlösungsrahmenwerken, Wissensrepräsentation, unsicherer Schlussfolgerung und Lernparadigmen sowie Kommunikation, Wahrnehmung und autonomes Handeln. Führt Geschäftsleiter und Architekten dabei an, KI-gesteuerte Transformationsmöglichkeiten zu bewerten, neue Technologietrends zu analysieren und praktische intelligente Lösungen zu integrieren, um die unternehmerische Agilität zu steigern.

Künstliche neuronale Netze sind computergestützte Datenmodelle, die bei der Entwicklung von künstlichen Intelligenz (KI)-Systemen eingesetzt werden, welche in der Lage sind, «intelligente» Aufgaben auszuführen. Neuronale Netze kommen häufig in Anwendungen des Maschinellen Lernens (ML) zum Einsatz, das selbst eine Implementierungsmöglichkeit der KI darstellt. Deep Learning ist eine Teilmenge des ML.

Das Kursangebot "Angewandte KI von Grund auf mit Python" vermittelt Programmierern und Datenanalysten grundlegende Techniken zum Aufbau von Machine-Learning-Lösungen aus der Mitte heraus mit Python. Es werden die Kernprinzipien des überwachten Lernens (Klassifikation und Regression), des unüberwachten Lernens (Clustering und Anomalieerkennung) sowie fortschrittlicher neuronalen Netzwerkarchitekturen behandelt. Der Kurs untersucht bewährte Methoden für den Umgang mit scikit-learn, Apache Spark MLlib und Jupyter-Notebooks zur praktischen KI-Entwicklung. Er unterstützt Fachkräfte dabei, praktische ML-Modelle zu implementieren, die Grenzen von Algorithmen zu bewerten und angewandte Projekte zur Lösung realer Probleme abzuschließen.

Diese vom Dozent geleitete, live stattfindende Schulung in Schweiz (online oder vor Ort) bietet eine Einführung in die Felder der Mustererkennung und des maschinellen Lernens. Dabei werden praktische Anwendungen in den Bereichen Statistik, Informatik, Signalverarbeitung, Computer Vision, Data Mining und Bioinformatik behandelt.

Nach Abschluss dieser Schulung werden die Teilnehmer fähig sein:

• Grundlegende statistische Methoden auf die Mustererkennung anzuwenden.
• Schlüsselmodelle wie neuronale Netze und Kernel-Methoden für die Datenanalyse zu verwenden.
• Fortschrittliche Techniken zur Lösung komplexer Probleme zu implementieren.
• Die Vorhersagegenauigkeit durch die Kombination verschiedener Modelle zu verbessern.

Diese instruktionsgeleitete, live durchgeführte Schulung in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Machine-Learning-Ingenieure und KI-Forschende, die RLHF anwenden möchten, um grosse KI-Modelle für hervorragende Leistung, Sicherheit und Ausrichtung zu optimieren.

Am Ende dieser Schulung können die Teilnehmenden:

• die theoretischen Grundlagen von RLHF verstehen und erkennen, warum sie in der modernen KI-Entwicklung unverzichtbar sind.
• Reward-Modelle basierend auf menschlichem Feedback implementieren, um den Reinforcement-Learning-Prozess zu steuern.
• Grosse Sprachmodelle mit RLHF-Techniken feinabstimmen, um die Ausgaben an menschliche Präferenzen anzupassen.
• Bewährte Praktiken zur Skalierung von RLHF-Arbeitsabläufen für produktionsreife KI-Systeme anwenden.

Dieser vom Dozenten geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Datenwissenschaftler auf mittlerem Niveau, die sowohl umfassende Kenntnisse als auch praktische Fähigkeiten in Grosse Sprachmodelle (LLMs) und Verstärkendes Lernen (RL) erwerben möchten.

Am Ende dieses Trainings können Teilnehmer Folgendes:

• Die Komponenten und Funktionsweise von Transformer-Modellen verstehen.
• LLMs für spezifische Aufgaben und Anwendungen optimieren und feinabstimmen.
• Die Kernprinzipien und Methoden des verstärkenden Lernens verstehen.
• Lernen, wie Techniken des verstärkenden Lernens die Leistung von LLMs verbessern können.

Diese live durchgeführte Schulung in Schweiz (online oder vor Ort) richtet sich an Profi-Teilnehmende auf fortgeschrittenem Niveau, die ihr Verständnis des Reinforcement Learnings vertiefen und seine praktischen Anwendungen in der KI-Entwicklung mit Google Colab erlernen möchten.

Am Ende dieser Schulung werden die Teilnehmenden in der Lage sein:

• Die Kernkonzepte von Reinforcement-Learning-Algorithmen zu verstehen.
• Reinforcement-Learning-Modelle mit TensorFlow und OpenAI Gym zu implementieren.
• Intelligente Agenten zu entwickeln, die durch Versuch und Irrtum lernen.
• Die Leistung der Agenten mithilfe fortschrittlicher Techniken wie Q-Learning und Deep Q-Networks (DQNs) zu optimieren.
• Agenten in simulierten Umgebungen mit OpenAI Gym zu trainieren.
• Reinforcement-Learning-Modelle für reale Anwendungen bereitzustellen.

Dieser Kurs vermittelt Ihnen zunächst das konzeptionelle Grundlagenwissen über neuronale Netze und allgemein über Algorithmen des maschinellen Lernens sowie des Deep Learning (Algorithmen und Anwendungen).

Der erste Teil (40 %) dieser Schulung konzentriert sich stärker auf die Grundlagen, hilft Ihnen jedoch auch dabei, die richtige Technologie auszuwählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Der zweite Teil (20 %) dieser Schulung stellt Theano vor – eine Python-Bibliothek, das das Entwickeln von Deep-Learning-Modellen erheblich erleichtert.

Der dritte Teil (40 %) der Schulung basiert umfangreich auf TensorFlow – der API für Googles Open-Source-Softwarebibliothek für Deep Learning. Alle Beispiele und praktischen Übungen werden in TensorFlow umgesetzt.

Zielgruppe

Dieser Kurs richtet sich an Ingenieurinnen und Ingenieure, die TensorFlow für ihre Deep-Learning-Projekte nutzen möchten.

Nach Abschluss dieses Kurses können die Teilnehmenden:

• ein gutes Verständnis für Deep Neural Networks (DNN), CNN und RNN aufweisen
• die Struktur und Bereitstellungsmethoden von TensorFlow verstehen
• Installations-, Produktionsumgebungs- und Architekturaufgaben sowie Konfigurationen durchführen
• Codequalität beurteilen, Debugging betreiben und Monitoring durchführen
• fortgeschrittene produktionsnahe Aufgaben wie das Trainieren von Modellen, das Erstellen von Graphen und Logging umsetzen

Diese instruktionsgeleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Fortgeschrittene, die state-of-the-art-XAI-Techniken für Deep-Learning-Modelle erkunden möchten, mit dem Fokus auf den Aufbau interpretierbarer KI-Systeme.

Nach Abschluss dieser Schulung werden die Teilnehmenden in der Lage sein:

• Die Herausforderungen der Erklärbarkeit im Deep Learning zu verstehen.
• Fortschrittliche XAI-Techniken für neuronale Netze zu implementieren.
• Entscheidungen von Deep-Learning-Modellen zu interpretieren.
• Die Abwägung zwischen Leistung und Transparenz zu bewerten.