Episode 4: Deep Learning

KI-Seminare

_

 

Episode 4: Deep Learning

 

In der vorhergehenden Lektion haben sie die Funktionsweise und Vorteile von neuronalen Netzen kennengelernt. Ein Flaschenhals dieses Verfahrens ist die Merkmalsextraktion (engl. feature extraction). Bei dieser wird durch einen Experten festgelegt, wie aus den Ausgangsdaten (Bilder, Videos, Datensätze, etc) die passenden Inputdaten für das neuronale Netz gewonnen werden. Die Merkmalsextraktion ist sehr zeitaufwändig und verlangt viel Expertenwissen.

Beim Deep Learning, einer Sonderform von Neuronalen Netzen, nimmt die Maschine dem Menschen diesen komplizierten Arbeitsschritt ab. Seien es Höchstleistungen beim Poker- und Go-Spielen, die Erkennung von Gesten in Videos oder automatisches Dolmetschen. Hinter all diesen Anwendungen steckt Deep Learning.

 

Agenda:

    • Motivation für Deep Learning: Weshalb „normale“ neuronale Netze oft nicht genügen
    • Grundlagen erklärt: Wie „tiefe Netze“ funktionieren (Filter- und Pooling-Layer)
    • Demo: Personen- und Objekterkennung mit Deep Learning
    • Wie Netze „lernen“: Lernalgorithmen erklärt
    • Kritische Erfolgsfaktoren für eigene Projekte (Daten, „Labels“)
    • Wie Daten für den Lernprozess aufbereitet werden (Feature Engineering)
    • Anwendungsbeispiele (automatisierte Kreditentscheidung, Recommender System als Online-Kaufberatung)
    • Markübersicht: Die erfolgreichsten  Deep Learning-Plattformen im Vergleich
    • Wie Machine Learning auch mit wenigen Daten funktioniert (Autoencoder)
    • Erfolgsfaktoren für eigene Projekte verstehen