Künstliche Intelligenz selbst programmieren

Ziele und Erwartungen

• Gemeinsames Erarbeiten individueller Lernziele und Erwartungen, um einen praxisnahen und relevanten Seminarrahmen zu schaffen.

Einstieg in Python

• Grundlegende Syntax und typische Sprachmerkmale

• Arbeiten mit Anaconda: Installation, Verwaltung und Nutzung von Modulen

Grundlagen der Künstlichen Intelligenz

• Historischer Überblick und Entwicklung des Deep Learning

• Abgrenzung und Zusammenspiel von KI, Machine Learning und Deep Learning

Aufbereitung von Daten

• Überanpassung (Overfitting) erkennen und vermeiden

• Aufteilung in Trainings-, Validierungs- und Testdaten

• Normalisierung und One-Hot-Encoding

• Praktische Anwendung am MNIST-Datensatz

Multi-Layer Perceptron – Teil 1

• Aufbau eines MLP: Perceptron, Gewichte und Bias

• Aktivierungsfunktionen und ihre Rolle

• Softmax für Klassifizierungen

• Verschiedene Loss-Funktionen im Überblick

• Backpropagation zum Anpassen der Gewichte

• Strategien zur Initialisierung der Gewichte

• Bedeutung von Epochen und Batch-Größen

Convolutional Neural Networks (CNNs)

• Funktionsweise von Convolution-Layern

• Filter, Padding und Stride in der Faltung

• Max-Pooling zur Reduktion der Dimensionalität

• Lernprozesse in verschiedenen CNN-Schichten

Bildklassifikation

• Regulierungsmethoden: L2-Regularisierung, Dropout, Batch Normalization

• Umgang mit bereits trainierten Modellen: Laden und Weiterverwenden

Keras-Callbacks

• Umsetzung und Nutzen von Callbacks in Keras

• Speichern von Architektur und Gewichtungen

• Methoden wie Early Stopping und Learning Rate Scheduling

• Visualisierung des Trainingsverlaufs mit MLflow

Arbeiten mit begrenzten Daten – Data Augmentation & Transfer Learning

• Erweiterung kleiner Datensätze durch Augmentation

• Nutzung vortrainierter Modelle und Feintuning für eigene Aufgaben