Deep Dive Deep Lear­ning – Bildverarbeitung


Die­ses drei­tä­gige Semi­nar bie­tet einen tie­fe­ren Ein­blick in aus­ge­wählte Deep Lear­ning The­men, dabei liegt der Fokus auf Bild­ver­ar­bei­tung. Ergänzt und ver­tieft wird das theo­re­ti­sche Wis­sen durch Übun­gen, die es den Teil­neh­mern erlau­ben prak­ti­sche Erfah­run­gen zu sammeln.
Semi­nare

Beschrei­bung


Im Laufe der drei Tage wer­den ver­schie­dene Metho­den erör­tert, ange­fan­gen mit Dense Lay­ern über Con­vo­lu­ti­ons hin zu Autoen­co­dern, gene­ra­ti­ven Model­len und GANs.

Ergänzt und ver­tieft wird das theo­re­ti­sche Wis­sen durch Übun­gen, die es den Teil­neh­mern erlau­ben prak­ti­sche Erfah­run­gen zu sam­meln. Die­ser Trans­fer von Wis­sen hin zur Anwen­dung stellt einen zen­tra­len Punkt des Semi­nars dar.

Die Übun­gen ver­wen­den haupt­säch­lich TensorFlow/Keras und fin­den in der AWS Cloud statt.

Zudem wird beson­de­res Augen­merk auf typi­sche Tech­ni­ken wie bei­spiels­weise Data Aug­men­ta­tion gelegt. Ebenso wer­den häu­fig auf­tre­tende Pro­bleme wie Vanishing/Exploding Gra­di­ents und deren Lösung aufgezeigt.



Anmel­dung


Datum:

Standort:

Preis:

12/09/2023 - 14/09/2023


Münster (D)


2.610,00 EUR (zzgl. MwSt.)

26/09/2023 - 28/09/2023


Baden-Dättwil (CH)


2.990,00 CHF (zzgl. MwSt.)

Agenda



Tag 1 - Bildklassifikation

  • Ein­fa­che Klas­si­fi­ka­tion mit Dense Layern 
    • Struk­tur der Dense Layer
    • Zuge­hö­rige Kon­zepte: Aktivierungs‑, Ver­lust­funk­tio­nen, Optimizer
    • Erör­te­rung grund­le­gen­der Pro­bleme: Over­fit­ting, Sät­ti­gung usw.
    • Übung: Klas­si­fi­zie­rung von Klei­dungs­stü­cken I
  • Erwei­terte Bild­klas­si­fi­ka­tion mit Con­vo­lu­tio­nal Layern 
    • Struk­tur der Con­vo­lu­tio­nal Layer
    • Zuge­hö­rige Bau­steine: Fil­ter­ker­nel, Pooling
    • Übung: Klas­si­fi­zie­rung von Klei­dungs­stü­cken II
  • Wei­tere Metho­den zur Ver­bes­se­rung der Klassifikation 
    • Data Aug­men­ta­tion
    • Regu­la­ri­sie­rungs­me­tho­den: L1, L2, Dro­pout, Max-Norm
    • Batch Nor­ma­liza­tion
    • moderne Opti­mi­zer & Aktivierungsfunktionen
    • Übung: Klas­si­fi­zie­rung von Klei­dungs­stü­cken III
Tag 2 - Objektlokalisation und Multiobjektklassifikation

  • Ein­füh­rung in die Objektlokalisation 
    • Erläu­te­rung des Prin­zips der Objektlokalisation
    • Metrik zur Bewer­tung des Ergeb­nis­ses: Inter­sec­tion over Union (iou)
  • Regio­nen­ba­sierte Regression 
    • Ein­füh­rung in Regi­ons + Con­vo­lu­tio­nal Neu­ral Net­works (RCNN)
    • Erwei­te­run­gen: vom RCNN zum Fast-RCNN zum Faster-RCNN
  • Sin­gle shot Detektoren 
    • Ein­füh­rung in die state-of-the-art Objektlokalisation
    • Objekt­lo­ka­li­sa­tion mit­tels “You only look once” (Yolo) Technik
    • Übung: Loka­li­sa­tion von Objekten

Autoen­co­der

  • Ein­füh­rung Autoencoder 
    • Grund­la­gen: Reprä­sen­ta­tio­nen und Deconvolution
    • Archi­tek­tur eines Autoencoders
    • Übung: Imple­men­tie­rung eines Autoen­co­ders zur Bildentrauschung
  • Erläu­te­rung des Prin­zip der Dimen­si­ons­re­duk­tion anhand der PCA
  • Autoen­co­der zur Dimensionsreduktion
  • Unsu­per­vi­sed Pre­trai­ning: Autoen­co­der als Featureextraktor
  • Varia­tio­nal Autoencoder 
    • Übung: Gene­ra­tion von Klei­dungs­stü­cken I
Tag 3 - Generative Adversarial Networks (GANs)

  • Ein­füh­rung GANs 
    • Erläu­te­rung des Auf­baus eines GANs
  • mög­li­che Struk­tu­ren des Gene­ra­tors und des Diskriminators
  • Best Prac­ti­ces: Trai­ning von GANs
  • Häu­fige Pro­bleme beim Trai­ning von GANs: Ursa­chen und Lösungen
  • Deep Con­vo­lu­tio­nal GAN (DC GAN) 
    • Auf­bau eines DC GAN
    • Spe­zi­fi­sche Pro­bleme & Best Prac­ti­ces bei DC GANs
    • Übung: Gene­ra­tion von Klei­dungs­stü­cken II
  • Domain­trans­fer GANs
  • Wie ent­werfe ich mein eige­nes GAN?


Kurz­in­for­ma­tion


Vor­aus­set­zun­gen



Berück­sich­ti­gen Sie bitte, dass eine Min­dest­teil­neh­mer­zahl von 4 Per­so­nen vor­ge­se­hen ist. Ansons­ten kann das Semi­nar nicht stattfinden.


Methode



Prä­senz­se­mi­nar:
Das Semi­nar wird aus Vor­trag, Dis­kus­si­ons­run­den sowie prak­ti­schen Übun­gen bestehen. Viele Bei­spiele aus der Pra­xis ver­deut­li­chen die Theorie.


Ziel­gruppe



Das Semi­nar rich­tet sich an Men­schen, die ihr Wis­sen im Bereich Deep Lear­ning erwei­tern und ver­tie­fen wol­len. Ins­be­son­dere an die­je­ni­gen, die sich für die prak­ti­schen Pro­bleme sen­si­bi­li­sie­ren wol­len oder denen Anwen­dungs­er­fah­run­gen fehlen.


Sprachen



Semi­nar: Deutsch


Stornierung



Bei Stor­nie­rung bis zu 14 Tage vor Ver­an­stal­tungs­be­ginn erhe­ben wir eine Bear­bei­tungs­ge­bühr von 50% der Gebühr. Bei spä­te­ren Absa­gen wird der gesamte Bei­trag fällig.


Soll­ten wir aus wich­ti­gem Grund (z. B. Erkran­kung des/der Refe­ren­ten) gezwun­gen sein, den Kurs abzu­sa­gen, so tei­len wir Ihnen die­ses umge­hend mit. Wir wer­den Ihnen in die­sem Fall einen Ersatz­ter­min anbie­ten. Passt die­ser nicht zu Ihrer Ter­min­pla­nung, erhal­ten Sie die bereits gezahlte Semi­nar­ge­bühr in vol­ler Höhe zurück. Dar­über hin­aus­ge­hende Ansprü­che bestehen nicht.




Möch­ten Sie
als Team teilnehmen?


Mel­den Sie drei Teil­neh­mer an und erhal­ten Sie 10% Rabatt ab dem drit­ten Teilnehmer.

Stand­ort


Baden-Dättwil (CH)


Anfahrtsbeschreibung finden Sie hier.

Münster (D)


Anfahrtsbeschreibung finden Sie hier.

Semi­narpreis


Die Preise sind Net­to­preise und ver­ste­hen sich zuzüg­lich der zur Zeit gül­ti­gen Mehrwertsteuer.
Der Preis für die­ses Semi­nar beträgt:


Semi­nar­dauer
3 Tage

EUR 2.610

CHF 2.990


top