Nvidia Fundamentals of Deep Learning (FDL)
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 1 Tag
Ziele
Unternehmen weltweit nutzen künstliche Intelligenz, um ihre größten Herausforderungen zu lösen. Mediziner nutzen KI, um genauere und schnellere Diagnosen bei Patienten zu ermöglichen. Einzelhandelsunternehmen nutzen sie, um ihren Kunden ein personalisiertes Einkaufserlebnis zu bieten. Automobilhersteller nutzen sie, um persönliche Fahrzeuge, gemeinsame Mobilität und Lieferdienste sicherer und effizienter zu machen. Deep Learning ist ein leistungsfähiger KI-Ansatz, der mehrschichtige künstliche neuronale Netze verwendet, um bei Aufgaben wie Objekterkennung, Spracherkennung und Sprachübersetzung die höchste Genauigkeit zu erzielen. Mithilfe von Deep Learning können Computer Muster aus Daten lernen und erkennen, die für von Experten geschriebene Software als zu komplex oder zu subtil gelten.
In diesem Workshop lernen Sie anhand praktischer Übungen zum Thema Computer Vision und Verarbeitung natürlicher Sprache, wie Deep Learning funktioniert. Sie werden Deep-Learning-Modelle von Grund auf trainieren und dabei Tools und Tricks lernen, um hochpräzise Ergebnisse zu erzielen. Sie werden auch lernen, wie Sie frei verfügbare, hochmoderne vortrainierte Modelle nutzen können, um Zeit zu sparen und Ihre Deep-Learning-Anwendung schnell zum Laufen zu bringen.
Zielgruppe
Ein Verständnis grundlegender Programmierkonzepte in Python 3, wie Funktionen, Schleifen, Dictionaries und Arrays; Vertrautheit mit Pandas-Datenstrukturen und ein Verständnis für die Berechnung einer Regressionslinie.
Voraussetzungen
An understanding of fundamental programming concepts in Python 3, such as functions, loops, dictionaries, and arrays; familiarity with Pandas data structures; and an understanding of how to compute a regression line.
Agenda
The Mechanics of Deep Learning
Explore the fundamental mechanics and tools involved in successfully training deep neural networks:
- Train your first computer vision model to learn the process of training.
- Introduce convolutional neural networks to improve the accuracy of predictions in vision applications.
- Apply data augmentation to enhance a dataset and improve model generalization.
Pre-trained Models and Recurrent Networks
Leverage pre-trained models to solve deep learning challenges quickly. Train recurrent neural networks on sequential data:
- Integrate a pre-trained image classification model to create an automatic doggy door.
- Leverage transfer learning to create a personalized doggy door that only lets in your dog.
- Train a model to autocomplete text based on New York Times headlines.
Final Project: Object Classification
Apply computer vision to create a model that distinguishes between fresh and rotten fruit:
- Create and train a model that interprets color images.
- Build a data generator to make the most out of small datasets.
- Improve training speed by combining transfer learning and feature extraction.
- Discuss advanced neural network architectures and recent areas of research where students can further improve their skills.
Final Review
- Review key learnings and answer questions.
- Complete the assessment and earn a certificate.
- Complete the workshop survey.
- Learn how to set up your own AI application development environment.
Ziele
Unternehmen weltweit nutzen künstliche Intelligenz, um ihre größten Herausforderungen zu lösen. Mediziner nutzen KI, um genauere und schnellere Diagnosen bei Patienten zu ermöglichen. Einzelhandelsunternehmen nutzen sie, um ihren Kunden ein personalisiertes Einkaufserlebnis zu bieten. Automobilhersteller nutzen sie, um persönliche Fahrzeuge, gemeinsame Mobilität und Lieferdienste sicherer und effizienter zu machen. Deep Learning ist ein leistungsfähiger KI-Ansatz, der mehrschichtige künstliche neuronale Netze verwendet, um bei Aufgaben wie Objekterkennung, Spracherkennung und Sprachübersetzung die höchste Genauigkeit zu erzielen. Mithilfe von Deep Learning können Computer Muster aus Daten lernen und erkennen, die für von Experten geschriebene Software als zu komplex oder zu subtil gelten.
In diesem Workshop lernen Sie anhand praktischer Übungen zum Thema Computer Vision und Verarbeitung natürlicher Sprache, wie Deep Learning funktioniert. Sie werden Deep-Learning-Modelle von Grund auf trainieren und dabei Tools und Tricks lernen, um hochpräzise Ergebnisse zu erzielen. Sie werden auch lernen, wie Sie frei verfügbare, hochmoderne vortrainierte Modelle nutzen können, um Zeit zu sparen und Ihre Deep-Learning-Anwendung schnell zum Laufen zu bringen.
Zielgruppe
Ein Verständnis grundlegender Programmierkonzepte in Python 3, wie Funktionen, Schleifen, Dictionaries und Arrays; Vertrautheit mit Pandas-Datenstrukturen und ein Verständnis für die Berechnung einer Regressionslinie.
Voraussetzungen
An understanding of fundamental programming concepts in Python 3, such as functions, loops, dictionaries, and arrays; familiarity with Pandas data structures; and an understanding of how to compute a regression line.
Agenda
The Mechanics of Deep Learning
Explore the fundamental mechanics and tools involved in successfully training deep neural networks:
- Train your first computer vision model to learn the process of training.
- Introduce convolutional neural networks to improve the accuracy of predictions in vision applications.
- Apply data augmentation to enhance a dataset and improve model generalization.
Pre-trained Models and Recurrent Networks
Leverage pre-trained models to solve deep learning challenges quickly. Train recurrent neural networks on sequential data:
- Integrate a pre-trained image classification model to create an automatic doggy door.
- Leverage transfer learning to create a personalized doggy door that only lets in your dog.
- Train a model to autocomplete text based on New York Times headlines.
Final Project: Object Classification
Apply computer vision to create a model that distinguishes between fresh and rotten fruit:
- Create and train a model that interprets color images.
- Build a data generator to make the most out of small datasets.
- Improve training speed by combining transfer learning and feature extraction.
- Discuss advanced neural network architectures and recent areas of research where students can further improve their skills.
Final Review
- Review key learnings and answer questions.
- Complete the assessment and earn a certificate.
- Complete the workshop survey.
- Learn how to set up your own AI application development environment.
