06131 464 95 96

Kurs: Bilderkennung mit Convolutional Neural Networks (CNN)

Computervision der nächsten Generation mit Deep Learning

Bilder klassifizieren, Objekte erkennen und im Bild lokalisieren sowie Strukturen segmentieren: solche und weitere Bildverarbeitungsaufgaben sind seit einigen Jahren dank neuer Deep Learning Techniken endlich mit hoher Genauigkeit möglich, nachdem die Ergebnisse älterer Computer Vision Ansätze hierzu oft sehr bescheiden waren. Sie wollen verstehen wie State-of-The-Art Deep Learning Modelle dies schaffen und wie sie funktionieren, aber auch gleichzeitig erlernen, wie Sie diese Verfahren praktisch umsetzen können? Dann ist dieser Kurs genau richtig für Sie.

Auf einen Blick

Kursbeschreibung

Dauer:
2 Tage

Teilnehmerkreis:
Alle, die Bildverarbeitungslösungen in ihrem beruflichen Alltag erarbeiten oder mitkonzipieren, sind in diesem Kurs richtig. Die Weiterbildung eignet sich als Vertiefung im Gebiet Deep Learning, das anhand des wichtigen Teilbereichs der Bildverarbeitung behandelt wird.                                                                                                                           

Notwendiges Vorwissen:
Programmiervorkenntnisse in einer beliebigen Programmiersprache sind für die Praxisteile erforderlich. Python-Grundkenntnisse sind hilfreich für die Praxisteile, aber nicht zwingend notwendig, um den praktischen Beispielen folgen zu können. Das Seminar ist so konzipiert, dass das notwendige Hintergrundwissen im Bereich Deep Learning in kompakter Form Teil der Schulung ist. Vorkenntnisse hierin schaden zwar nicht, sind aber nicht unbedingt erforderlich.

Ihr Mehrwert:
Nach dem Kurs haben Sie ein tiefes Verständnis für die Arbeitsweise sogenannter Convolutional Neural Networks (ConvNet/CNN). Sie haben zudem einen Überblick wie CNNs in neueren Modellen als sogenanntes „Backbone“ (Rückgrat) verwendet werden, um komplexere Bildverarbeitunsaufgaben wie die Objektdetektion und die Segmentierung durchzuführen. Sie haben anhand praktischer Python-Beispiele erlernt, wie Sie diese Modelle selber für eigene Bildverarbeitungsaufgaben wie Klassifikation, Objektdetektion und Segmentierung trainieren und schließlich einsetzen können.

Der Deep Learning Boom, der seit etwa 2012 ungebremst anhält, hat seinen Ursprung in gewaltigen Fortschritten auf dem Gebiet der Bildverarbeitung, die mittels sogenannter Convolutional Neural Networks (CNN) erzielt wurden. Während das CNN an sich nur für Klassifikationsaufgaben geeignet ist, wurden in den nachfolgenden Jahren aber relativ rasch immer wieder neue Deep Learning Modelle (Neuronale Netze) vorgeschlagen, die auf Basis des CNNs auch komplexere Aufgaben wie die Objektdetektion und die Segmentierung lösen können.

Deep Learning basierte Modelle für die Bildverarbeitung dominieren inzwischen in allen Anwendungsbereichen der Bildverarbeitung. Egal, ob es darum geht, in einer Fotosammlung automatisch Bilder zu klassifizieren und zu taggen, oder bei Fahrerassistenzsysteme Personen, Autos und andere Verkehrsteilnehmer im Kamerabild zu erkennen und zu lokalisieren oder in der industriellen Sichtprüfung gute von schlecht produzierten Teilen zu unterscheiden und Fehler pixelgenau durch Segmentierung zu lokalisieren: Deep Learning Modelle haben hier die Nase vorne.

Dieses Seminar startet mit einem Überblick über Deep Learning. Wie ist dieses Gebiet im größeren Gebiet des maschinellen Lernes einzuordnen und was unterscheidet Deep Learning von älteren Ansätzen? Das erste Hauptkursziel ist es dann, ein tiefes Verständnis für Convolutional Neural Networks aufzubauen. Hierzu wird seine Funktionsweise nicht nur im Detail erläutert, sondern auch über eine erste Fallstudie die Praxisseite vermittelt: Wie kann ich ein CNN auf einem eigenen Bilddatensatz trainieren, um Bilder zu klassifieren? An welchen CNN-Parametern kann ich hier drehen, um die Klassifikationsleistung zu verbessern?

Aufbauend auf einem guten Verständnis für CNNs widmet sich dieser Kurs dann komplexeren neueren Modellen, die CNNs als Kern bzw. Rückgrat („Backbone“) verwenden, aber noch weitere wichtige Architekturmerkmale besitzen. Zuerst werden Modelle zur Objektdetektion behandelt (Bounding-Box-Detektionen) und abschließend Modelle zur Segmentierung (pixelgenaue Detektion).   Ein tieferes Verständnis wird auch hier durch praktische Beispiele zur Objektdetektion und Segmentierung anhand zweier weiterer Fallstudien vermittelt.

Alle Praxisbeispiele werden mittels sogenannter Jupyter-Notebooks in Python Schritt für Schritt vorgeführt und können direkt von den Teilnehmern auf den eigenen Computern mitgemacht werden. Dabei kommt die Keras-Bibliothek zum Einsatz, die Teil der TensorFlow-Bibliothek ist.

Inhalte:

  • Einführung: Was ist passiert? Der Deep Learning Boom
  • Was ist Maschinelles Lernen? Was ist Deep Learning?
  • Was sind Convolutional Neural Networks (CNNs)?
  • Funktionsweise von CNNs illustriert an einem interaktiven Demonstrationsbeispiel
  • Wichtige Hyperparameter bei CNNs
  • Fallstudie 1
  • Geschichte der Entwicklung der CNN-basierten Objektdetektionsverfahren (R-CNN, Fast R-CNN, Faster R-CNN, SSD, YOLO, EfficientDet)
  • „Tricks“ und Techniken moderner Objektdetektoren am Beispiel von YOLO v4 (z.B. Multi-Level Feature-Fusionstechniken, neuere Lerntechniken)
  • Fallstudie 2
  • Ältere und neuere Modelle zur Segmentierung (z.B. Mask R-CNN, U-Net, Autoencoder)
  • Fallstudie 3

Praxis-Projekte:
Es werden im Kurs insgesamt drei Praxisprojekte anhand konkreter Fallstudien in sog. Jupyter-Notebooks in Python mit der Keras-Bibliothek durchlaufen:

  • Fallstudie 1: ein CNN zur Klassifikation von Bildern trainieren und anwenden
  • Fallstudie 2: Objekte mittels YOLO v4 detektieren
  • Fallstudie 3: Objekte pixelgenau segmentieren mittels eines State-of-the-Art Segmentierers

Hinweis: Für die Praxisübungen wird ein eigener Laptop benötigt (Windows, MacOS, Linux). Android-Tablets oder iPads sind nicht geeignet.

Buchen ohne Risiko: Als Verbraucher können Sie innerhalb von 14 Tagen nach der Buchung jederzeit kostenfrei Ihre Teilnahme stornieren, solange Sie über zwei Wochen vor Kursbeginn buchen. Sichern Sie sich jetzt Ihren Platz!


Fundierte Theorie

Die wichtige Theorie wird in fokussierter Form in intensiven Theorieblöcken vermittelt.


Praxisprojekt mit Echtdaten

Ein Praxisprojekt mit realen Daten befähigt die Teilnehmer, die Inhalte eigenständig in der Praxis anzuwenden.


eLearning

In unseren Kursen kommt das IOMIDS eLearning zum Einsatz. Interaktives Quiz-Voting sorgt für hohen Lernerfolg.


Hochkarätige Dozenten

Unsere Dozenten haben eine fundierte akademische Ausbildung, oft mit Promotion. Alle Dozenten arbeiten aktuell in Data-Science-Positionen und bringen so den neusten Stand aus der Praxis mit.


Präsenzkurse

Unsere Präsenzkurse bieten deutlich höhere Motivation und bessere Lernerfolge als Online-Kurse. Individuelle Fragen zu bisherigen Erfahrungen werden beantwortet, und Teilnehmer können sich mit anderen Data Scientists vernetzen.


Zertifizierung

Für alle Kurse gibt es Teilnahmezertifikate bzw. bei Kursen mit Prüfungsblöcken ein Zertifikat über das erfolgreiche Bestehen. Zertifikate werden zweisprachig auf Deutsch und Englisch ausgestellt.

Wie kann ich im Anschluss die Kenntnisse vertiefen?

Mit der Kursteilnahme legen Sie die Basis, um im Folgekurs „Neuronale Netze und Deep Learning“ den State-of-the-Art in der künstlichen Intelligenz zu vertiefen.

Was ist im Preis enthalten?

Der Preis beinhaltet die Schulung inkl. der Unterlagen zur Vorlesung sowie natürlich auch Getränke und das Mittagessen.

Wird ein eigener Laptop benötigt?

Ja, bitte bringen Sie Ihren Laptop mit. Auf Windows-Laptops sind keine Administratorrechte notwendig, bei MacOS oder Linux sind ggf. Administratorrechte notwendig. iPads oder Android-Tablets sind leider ungeeignet.

Ist dieser Kurs der richtige für mich?

Diser Kurs ist optimal, wenn Sie selbst Modelle des maschinellen Lernen zum Einsatz bringen möchten und nicht vor etwas Programmierung zurückschrecken. Teilnehmer des Kurses sind z.B. Entwickler oder Programmierer, die sich im Bereich künstliche Intelligenz fortbilden möchten oder deren Arbeitgeber mehr Know-how in diesem Bereich benötigt, Absolventen von Studiengängen wie Ingenieurswissenschaften, Mathematik, Physik und anderen Naturwissenschaften, die den Berufseinstieg im Bereich Data Science planen sowie Analysten oder Data Engineers, die sich stärker in Richtung Data Science entwickeln möchten. Außerdem besuchen den Kurs auch Freelancer und Consultants, die Ihr Spektrum um das Maschinelle Lernen erweitern möchten

Muss ich in dem Kurs programmieren?

Es wird keine Vorerfahrung vorausgesetzt, aber die Praxisprojekte umfassen auch Programmierung um eigene Machine-Learning-Modelle umzusetzen und zu trainieren. Wenn das nicht das Richtige für Sie ist, schauen Sie sich doch einmal den Data Science Grundlagen-Kurs an oder lassen Sie sich von uns beraten.

Kurstermine

Live-Webinar, 16.–17. November 2021

Dozent: Prof. Jürgen Brauer

Veranstaltungsort: Live-Webinar

Termin: Dienstag 16. November 2021 10:00 – Mittwoch 17. November 2021 17:00

Kurssprache: Deutsch

Kosten: 1390 € zzgl. MwSt.

Early-Bird-Preis: 1390 €1190 € zzgl. MwSt. bei Buchung bis zum 15.10.2021.

Der Rabatt wird nach der Buchung bei Rechnungsstellung abgezogen.

Verfügbarkeit: noch Plätze frei


Haben Sie Fragen?


Kontaktieren Sie mich hier oder rufen Sie an: 06131 464 95 96. Ich helfe gerne weiter.

Tamara Noll IOMIDS
Frau Noll
Client Relations

Für eine ausführliche Beratung zum richtigen Kurs können Sie einen unverbindlichen Beratungstermin vereinbaren.

Übersicht Data Science und KI Schulungen

Schulungen 2021
Wenn Sie Interesse an einer Übersicht aller Schulungen in Data Science und künstlicher Intelligenz für das Jahr 2021 haben, klicken Sie hier.

Bildungsscheck NRW


✓ IOMIDS akzeptiert den Bildungsscheck. Als Einzelperson oder KMU aus NRW übernimmt das Land NRW bis zu 50% der Kosten für die Kurse von IOMIDS. Weitere Infos