Deep Learning and Computer Vision

Ein Teilmodul des »Machine Learning Forums«

Das Seminar »Deep Learning und Computer Vision«

»Deep Learning« bricht aktuell alle Rekorde auf dem Gebiet der künstlichen Intelligenz – dank der heute zur Verfügung stehenden enormen Datenmengen und massiven Rechenleistungen. In Anlehnung an die Funktionsweise des menschlichen Gehirns lernen diese mehrschichtigen Neuronalen Netze aus Beispielen Lösungen abzuleiten. Das Prinzip ist universell. Es funktioniert branchenunabhängig von Automotive bis Medizin, mit Daten aus unterschiedlichsten Quellen von Kameras bis zur menschlichen Stimme.

Dieser zweitägige Hands-On-Workshop bietet Theorie und Praxis in Einem. Das vermittelte Wissen wird in intensiv betreuten Übungen anhand konkreter Beispiele erfahrbar gemacht und der praktische Umgang mit Deep Learning Workflows eingeübt. Der thematische Fokus des Workshops liegt im Bereich der Computer Vision. Ausflüge in andere Themenbereiche geben zudem einen Einblick in die Vielfalt der möglichen Anwendungsgebiete. Die Übungen basieren auf Google TensorFlow.

 

Durch die Teilnahme an der Schulung werden Sie:

  • die Grundlagen des Deep Learnings verstehen
  • Arten von künstlichen neuronalen Netzwerken kennenlernen
  • lernen grundlegende Deep Learning Workflows für die Bildanalyse zu implementieren
  • Trainingsparameter manipulieren um die Performance zu verbessern
  • lernen mit typischen Herausforderungen umzugehen

Auf einen Blick

 

Termin:

9.-10. November 2021 von 9–17 Uhr

 

Zielgruppe:

  • Softwareentwickler/-architekten aus dem F&E-Bereich, die sich mit der Analyse von Daten beschäftigen
  • Unternehmen, die Deep Learning in ihren Projekten und ihrer Strategie einsetzen wollen

Voraussetzung: Grundkenntnisse im Programmieren (vorzugsweise in Python)

Technische Voraussetzung:

  • Das Seminar wird online per Microsoft Teams durchgeführt.
  • Sie erhalten einige Tage vor dem Termin einen Link, mit dem Sie sich anmelden können
  • Benötigte Ausstattung:
    • Rechner mit Internetzugang | Mikrofon | Kamera
    • Webbrowser: idealerweise Chrome oder ein Chromium Derivat | Firefox

 

Dauer: 2-tägige Schulung, Online

Schulungssprache: Deutsch

Mindestteilnehmerzahl: 5

Teilnahmegebühr und was diese beinhaltet: 1.900€ inkl.  Unterlagen

 

Inhalte des Seminars »Deep Learning und Computer Vision«

Tag 1 (Modul 1): Grundlagen des Deep Learnings

  • Grundlagen des maschinellen Lernens
  • Einführung in Deep Learning
  • Einführung in TensorFlow/ Keras
  • Multilayer Perzeptrons
  • Convultionale Neural Network
  • Hands-on Übungen
Tag 2 (Modul 2): Fortgeschrittene Themen des Deep Learnings
  • Semantische Segmentierung
  • Objekterkennung
  • Sequenzmodelle
  • Hands-on Übungen

Ihre Referenten:

  • Jessica Deuschel (M.Sc.) arbeitet als Research Associate am Fraunhofer IIS. Ihr Fokus liegt vor allem im Bereich der affektiven Zustandserkennung mithilfe von multimodaler Fusion. Dabei interessiert sie sich insbesondere dafür, wie Unsicherheiten, die in Neuronalen Netzen zum Beispiel durch eine Verschiebung der Datenverteilung entstehen, berücksichtigt werden können. Dies ist ebenfalls Teil ihrer Promotion im Bereich „Explainable AI“.
  • Andreas Foltyn (M.Sc), ebenfalls Research Associate am Fraunhofer IIS, hat seine aktuellen Arbeitsschwerpunkte im Bereich Erkennung von affektiven Zuständen mithilfe von Verfahren des Maschinellen Lernens. Zeitgleich promoviert er auch im Bereich der Künstlichen Intelligenz mit Schwerpunkt auf Erklärbarkeit von tiefen neuronalen Netzwerken.
  • Ines Rieger (M.Sc.) ist wissenschaftliche Mitarbeiterin am Fraunhofer IIS. Ihre Arbeit konzentriert sich auf die automatische Bildverarbeitung, hauptsächlich im Bereich der Erkennung von affektiven Zuständen mithilfe von Verfahren des Maschinellen Lernens. Derzeit arbeitet sie an einem Projekt zur Abschätzung von Schmerzzuständen anhand von Gesichtsbildern. Hierbei interessiert sie sich besonders für die Weiterentwicklung von Methoden zur Interpretierbarkeit von Neuronalen Netzen. Außerdem promoviert sie an der Universität Bamberg auf dem Gebiet der „Explainable Artificial Intelligence“.
  • Jaspar Pahl (M.Sc.) ist Research Associate am Fraunhofer IIS und arbeitet dort an der Erkennung von affektiven Zuständen auf Bilddaten. Insbesondere interessiert er sich für die Integration von Vorwissen in die dafür genutzten Algorithmen mithilfe von Erklärbarkeit, was auch das Thema seiner Promotion innerhalb der Kognitive Systeme Gruppe an der Universität Bamberg ist.
 

Literaturempfehlung:

  • Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016): Deep learning (Vol. 1). Cambridge: MIT press.
  • Géron, A. (2017): Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. O'Reilly Media, Inc..
  • Tibshirani, R., & Friedman, J. (2001): The elements of statistical learning: data mining, inference, and prediction. Heidelberg: Springer.