Machine Learning mit Python

Eine praktische Einführung in das Thema maschinelles Lernen und künstliche Intelligenz

Artificial Intelligence, Machine Learning, Deep Learning - wird jetzt alles einfacher? Wie funktioniert das?

Die letzten Jahre waren von deutlich mehr Öffentlichkeit, immer größer werdenden Modellen, immer längeren Trainingsprozeduren, und immer komplexeren Aufgaben geprägt.

Nicht mehr nur die Tech-Giganten wenden jedes Jahr Milliarden für AI auf, die Verbreitung nimmt zu, der Transfer aus Forschung in Anwendung erfreut sich steigender Beliebtheit, neue Entwicklungen werden mit beeindruckender Geschwindigkeit für Anwender verfügbar.

In diesem Kurs lernen Teilnehmende die Grundkonzepte kennen und erlangen ein Verständnis, wie man KI-Projekte erfolgreich angeht. Wir lernen die Leistungsfähigkeit und Taxonomie kennen, verstehen den typischen Arbeitsfluss und behalten Fallstricke im Hinterkopf. Praktische Übungen ergänzen die Konzepte und bieten einen Startpunkt für eigene Projekte.

Sämtliche Unterlagen werden natürlich zur Verfügung gestellt und beinhalten Springpunkte zu neuster Literatur und Werkzeugen, die sich gerade zu Standards entwickeln.

Voraussetzungen

Wünschenswert sind Grundkenntnisse in linearer Algebra (etwa Matrix-Vektor-Produkte etc.) sowie Grundkenntnisse in objektorientierter oder funktionaler Programmierung, bevorzugt python (oder python-artig).

Inhalt

Tag 1: Einsatzgebiete, Grundlagen und Methoden

Wir beschäftigen uns mit den Grundlagen von Machine Learning und Künstlicher Intellegenz und verstehen am Ende des Tages folgende Themenkomplexe:

  • Erfolgte und erfolgreiche Einsätze von KI und Abgrenzung - Was ist eigentlich KI und was nicht?
  • Grundlagen von KI - Was brauchen wir, um ML-Methoden einzusetzen?
  • Von den Daten bis zum Ergebnis - Wie bauen wir das?
  • Fallstricke - Was sollten wir nicht vergessen und wo kann es schief gehen?

Am Ende dieser Phase Eins entscheiden wir gemeinsam, welches spannende Themengebiet wir am zweiten Tag vertiefen wollen.

Noch an Tag 1 erarbeiten wir uns ein Grundverständnis von Neuronalen Netzen, dem derzeit vorherrschenden Paradigma - denn sie sind extrem einfach! Wenn es so einfach ist, muss die Komplexität drumherum liegen, und wir finden und verstehen die Motivation dieser Komplexität. Wir veranschaulichen uns die Wirkweise an einem "einfachen" Datensatz und lösen ein ehemaliges Problem von Logistikern wie DHL und co.

Tag 2: Ökosystem und Werkzeuge, Projektstruktur

Wir fliegen einmal durch das KI-Ökosystem und seine freien Werkzeuge. Wir erfahren, welches Problem in einem Projekt von welchem Programm adressiert und gelöst wird, und was in der Prozesskette als nächstes kommt. Unweigerlich finden wir Schnittstellen in bestehende Systeme.

Zur Anwendung kommen die Konzepte dann im Praxisteil, konkret:

  • Die einsetzbaren Werkzeuge bei KI Projekten, deren Eigenschaften und Platzierung in einer ML-pipeline
  • Theorie Teil 2 - von Backpropagation über Hyperparameter bis zum Deployment
  • Das Praktische am Vortag ausgewählte Thema: Colourisation (Einfärbung von Schwarz-Weiß-Bildern) oder eine Vorhersage von Zeitreihen mit Gauß-Prozess-Regression.

Kurszeiten

Wer möchte, reist bis 22 Uhr am Vortag an und nutzt den Abend bereits zum Fachsimpeln am Kamin oder im Park.

An den Kurstagen dann von 9-18 Uhr (mit 2 Kaffee- und 1 Mittagspause) etwa 60% Schulungen und 40% Übungen. Selbstverständlich arbeitet jeder Teilnehmer am von uns gestellten Notebook oft parallel zum Referenten mit.

Anschließend Abendessen und Angebote für Fachsimpeln, Ausflüge uvm. Wir schaffen eine Atmosphäre, in der Fachleute sich ungezwungen austauschen. Wer das nicht will, wird zu nichts gezwungen und findet auch jederzeit Ruhe.