Deep Learning für Ingenieurinnen und Ingenieure - ein praxisorientierter Kompaktkurs
Ob autonomes Fahren oder Sprachassistenten, die rasanten Fortschritte der künstlichen Intelligenz sind größtenteils auf Deep Learning zurückzuführen. Von dieser Entwicklung profitieren auch die klassischen Ingenieursbereiche: Deep Learning kann zur besseren Klassifizierung von Bauteilen, zur schnelleren Erkennung von Produktionsfehlern, zum strukturerhaltenden Entrauschen von Signalen und Bildern, oder zur genaueren Prognose von Zeitreihen genutzt werden.
Mit Deep Learning komplexe Strukturen erkennen
Dauer: 1 Tag (8 UE à 45 min.)
Preis: 395 Euro p.P.
Zielgruppe: Ingenieurinnen und Ingenieure jeder Fachrichtung, die noch keine Berührung mit Deep Learning oder maschinellem Lernen hatten.
Voraussetzungen: Mathematische und programmiertechnische Grundkenntnisse eines beliebigen Ingenieurstudiums oder vergleichbare Kenntnisse, d.h. Grundkenntnisse in höherer Mathematik und grundlegendes Programmierverständnis (Kenntnisse in Python sind von Vorteil, aber nicht erforderlich)
- Ein eigener Laptop (Windows/MacOS/Linux; für eine problemlose Installation der Softwarepakete sind ca. 20 GB freier Festplattenspeicher empfehlenswert)
Fragen rund um das Thema Deep Learning
Was ist Deep Learning
Deep Learning ist eine Methode des maschinellen Lernens, die nach dem Prinzip „Lernen am Beispiel“ funktioniert: Dabei "trainiert" man ein sog. tiefes neuronales Netz - eine dem menschlichen Gehirn nachempfundene mehrschichtige Verarbeitungsstruktur - anhand von wohlbekannten Beispieldaten darauf, dass es Vorhersagen oder Entscheidungen über unbekannte Daten treffen kann.
Braucht man einen Supercomputer für Deep Learning?
Nein. Für viele Anwendungen gibt es inzwischen „vortrainierte“ Netze, die an die eigene Anwendung angepasst werden können. Dies spart erheblich Rechenaufwand, sodass für Anwenderinnen und Anwender häufig ein leistungsfähiger Desktop-PC oder sogar ein Laptop ausreichen.
Ist Expertenwissen nötig, um Deep Learning einzusetzen?
Nein. Dank des flexiblen und modularen Aufbaus aktueller Softwarepakete wie Tensorflow und Pytorch ist Deep Learning für viele Anwendungen auch ohne vertiefte Kenntnisse einsetzbar. Für den Einstieg in Deep Learning sollte man Grundkenntnisse in höherer Mathematik und grundlegendes Programmierverständnis mitbringen.
Was bringt Deep Learning Ingenieurinnen & Ingenieuren?
Datenauswertung im Ingenieurbereich besteht häufig aus einer Kette von vorgefertigten Operationen, z.B. der Verarbeitungspipeline Entrauschen/Glätten, Merkmalsextraktion und Regression/Klassifikation. Beim Deep Learning dagegen wird automatisch ein Gesamtsystem erstellt. Vorausgesetzt es sind genügend Beispieldaten zum Training vorhanden, spart dies zeitaufwendiges Erstellen und Justieren einer geeigneten Verarbeitungskette. Außerdem passen sich tiefe neuronale Netze meist besser an die konkreten Daten an als die vorgefertigten Operationen, sodass bessere Ergebnisse erzielbar sind.
Was Sie im Workshop erwartet
Agenda
- Funktionsprinzipien von Deep Learning: Tiefe neuronale Netze, Training, Optimierung, Regularisierung, Validierung
- Beispiele von Anwendungsproblemen, die durch Deep Learning lösbar sind
- Überblick über populäre freie Software-Toolboxen für Deep Learning wie Tensorflow/Keras und Pytorch (beides in Python)
- Hands-on Programmierbeispiel in Python: Modellieren und trainieren eines Bildklassifikators mit Tensorflow/Keras am eigenen Rechner
- Case Studies aus dem Ingenieurbereich:
- Defekterkennung bei industriellen Bauteilen
- Prognose von Zeitsignalen/Zeitreihen
Learnings
In diesem Kompaktkurs lernen Sie anhand praktischer Beispiele die Funktionsweise von Deep Learning. Am Ende des Kurses können Sie ein tiefes neuronales Netz in Python aufbauen, es anhand von Beispieldaten trainieren und damit Vorhersagen oder Entscheidungen über unbekannte Daten treffen.
Zum Dozenten
Prof. Dr. Martin Storath hat Mathematik mit Informatik sowie Technology Management an der TU München studiert. In seiner Forschung entwickelt er Algorithmen für Computer Vision, Signalverarbeitung und Deep Learning. Seit 2018 unterrichtet er an der Hochschule Würzburg-Schweinfurt u.a. in den Bereichen Ingenieurmathematik, maschinelles Lernen und Programmierung in Python.
100 Labore, 10 Fachrichtungen
Wir bieten Hochspannung - im Labor, aber auch im Seminarraum. Nutzen Sie unser vielfältiges Laborangebot aus den zehn Fachbereichen der THWS.
Noch weitere Fragen?
Sprechen Sie uns gerne an!
Melanie Gabold
Telefon: 0931/ 3511 - 8540
E-Mail: campus.weiterbildung[at]thws.de
Was ist Deep Learning
Deep Learning ist eine Methode des maschinellen Lernens, die nach dem Prinzip „Lernen am Beispiel“ funktioniert: Dabei "trainiert" man ein sog. tiefes neuronales Netz - eine dem menschlichen Gehirn nachempfundene mehrschichtige Verarbeitungsstruktur - anhand von wohlbekannten Beispieldaten darauf, dass es Vorhersagen oder Entscheidungen über unbekannte Daten treffen kann.
Braucht man einen Supercomputer für Deep Learning?
Nein. Für viele Anwendungen gibt es inzwischen „vortrainierte“ Netze, die an die eigene Anwendung angepasst werden können. Dies spart erheblich Rechenaufwand, sodass für Anwenderinnen und Anwender häufig ein leistungsfähiger Desktop-PC oder sogar ein Laptop ausreichen.
Ist Expertenwissen nötig, um Deep Learning einzusetzen?
Nein. Dank des flexiblen und modularen Aufbaus aktueller Softwarepakete wie Tensorflow und Pytorch ist Deep Learning für viele Anwendungen auch ohne vertiefte Kenntnisse einsetzbar. Für den Einstieg in Deep Learning sollte man Grundkenntnisse in höherer Mathematik und grundlegendes Programmierverständnis mitbringen.
Was bringt Deep Learning Ingenieurinnen & Ingenieuren?
Datenauswertung im Ingenieurbereich besteht häufig aus einer Kette von vorgefertigten Operationen, z.B. der Verarbeitungspipeline Entrauschen/Glätten, Merkmalsextraktion und Regression/Klassifikation. Beim Deep Learning dagegen wird automatisch ein Gesamtsystem erstellt. Vorausgesetzt es sind genügend Beispieldaten zum Training vorhanden, spart dies zeitaufwendiges Erstellen und Justieren einer geeigneten Verarbeitungskette. Außerdem passen sich tiefe neuronale Netze meist besser an die konkreten Daten an als die vorgefertigten Operationen, sodass bessere Ergebnisse erzielbar sind.
Agenda
- Funktionsprinzipien von Deep Learning: Tiefe neuronale Netze, Training, Optimierung, Regularisierung, Validierung
- Beispiele von Anwendungsproblemen, die durch Deep Learning lösbar sind
- Überblick über populäre freie Software-Toolboxen für Deep Learning wie Tensorflow/Keras und Pytorch (beides in Python)
- Hands-on Programmierbeispiel in Python: Modellieren und trainieren eines Bildklassifikators mit Tensorflow/Keras am eigenen Rechner
- Case Studies aus dem Ingenieurbereich:
- Defekterkennung bei industriellen Bauteilen
- Prognose von Zeitsignalen/Zeitreihen
Learnings
In diesem Kompaktkurs lernen Sie anhand praktischer Beispiele die Funktionsweise von Deep Learning. Am Ende des Kurses können Sie ein tiefes neuronales Netz in Python aufbauen, es anhand von Beispieldaten trainieren und damit Vorhersagen oder Entscheidungen über unbekannte Daten treffen.
Zum Dozenten
Prof. Dr. Martin Storath hat Mathematik mit Informatik sowie Technology Management an der TU München studiert. In seiner Forschung entwickelt er Algorithmen für Computer Vision, Signalverarbeitung und Deep Learning. Seit 2018 unterrichtet er an der Hochschule Würzburg-Schweinfurt u.a. in den Bereichen Ingenieurmathematik, maschinelles Lernen und Programmierung in Python.
100 Labore, 10 Fachrichtungen
Wir bieten Hochspannung - im Labor, aber auch im Seminarraum. Nutzen Sie unser vielfältiges Laborangebot aus den zehn Fachbereichen der THWS.
Noch weitere Fragen?
Sprechen Sie uns gerne an!
Melanie Gabold
Telefon: 0931/ 3511 - 8540
E-Mail: campus.weiterbildung[at]thws.de