KI Machine Learning, Deep Learning

1. Tag

• Einführung in Künstliche Intelligenz (KI)
• Machine Learning (ML)
• Einsatz in der Praxis, Typische Aufgaben und Lösungen
• Deep Learning (DL)
• Einsatz in der Praxis, Typische Aufgaben und Lösungen
• Neuronale Netze
• Unterschiede und Anwendung DL / ML
• Python als Programmiersprache für Machine Learning
• Warum Python? Vorteile der Sprache für KI
• Voraussetzungen Hardware/Software
• Virtuelle Umgebungen in Python
• Einrichten und Konfiguration mit den entsprechenden Kommandos
• Modulkonfiguration in Virtuellen Python Umgebungen
• Typische Konfiguration für Machine Learning (Modulübersicht)

2. Tag

• Module im Detail
• Python Module NumPy, SciPy, Pandas mit Funktionsbeispielen
• TensorFlow/TensorFlow Light Übersicht der Funktionalität und Leistungsfähigkeit
• Grundlagen und Architektur
• Beispielanwendungen in der Praxis
• Historie, Funktionsweise und Anforderungen an Soft und Hardware
• TensorFlow Komponenten
• Tensor, Vektoren, Matrizen
• Graphs
• Laden von Daten in TensorFlow, Varianten
• Laden in den Speicher
• TensorFlow-Pipeline
• Teachable Machine
• Überblick
• Nutzen für eigene Entwicklungen
• Modell trainieren + testen

3. Tag

• TensorFlow Lite Advanced
• Eigene Modelle mit Model Maker trainieren
• Performance Optimierung
• TPU (Tensor Processing Unit) Überblick
• Google Coral USB-Beschleuniger (Features im Überblick)
• Keras
• Einsatzgebiet und Vergleich mit TensorFlow
• MNIST-Datensatz / Standard für Mustererkennung
• Trainieren des neuronalen Netzwerks
• Workshop: Korrektes zuzuordnen von handschriftlichen Ziffern

4. Tag

• OpenCV
• Funktionsübersicht
• Einsatz in Bilderkennung und Bearbeitung
• Laden und darstellen von Bildern
• Zugriff auf Pixel
• Resizen von Bildern
• Rotieren und Bildverbesserung
• Objekterzeugung
• Objekterkennung
• Gestenerkennung
• Gesichtserkennung

5. Tag

• Py Torch
• Funktionsübersicht
• Vergleich mit TensorFlow
• Dynamic Computational Graph (DAG)
• Benutzerfreundlichkeit / Visualisierung ?
• Modelldefinitionen
• Py Torch Modelle optimieren
• Modelle speichern und laden
• Mit Daten in Py Torch arbeiten
• (torch.utils.data.DataLoader und torch.utils.data.Dataset
• Workshop mit vorbereiteten Frameworks, Modulen und APIs