Neuronale Netzwerke mit PyTorch

Tensorflow, Keras und PyTorch sind zur Zeit die populärsten Frameworks zur Entwicklung von Neuronalen Netzwerken. PyTorch zeichnet sich vor allem durch seine Flexibilität und Debugging-Fähigkeiten aus, ohne dass Abstriche bei der Trainingsperformance gemacht werden muss. PyTorch ist dadurch vor allem bei Forschern und bei Entwicklern im Bereich Natural Language Processing sehr beliebt. Auch im Bereich Integration und Deployment wurden in den letzten Versionen erhebliche Fortschritte gemacht.

Dieser Workshop wird eine praktische Einführung in PyTorch geben. Teilnehmer/-innen benötigen lediglich Grundkenntnisse in Python und Numpy, sollten aber mit Machine-Learning-Grundlagen vertraut sein. Darauf aufbauend werden die Teilnehmer gemeinsam die ersten einfachen Neuronalen Netzwerke entwickeln und trainieren.

Auch grundlegende Architekturen für Bildklassifizierung (Convolutional Neural Networks) und Sequenz-Prozessierung (Recurrent Neural Network) werden sowohl in der Theorie behandelt als auch im Kurs praktisch umgesetzt.

Der Workshop basiert auf Google Colab Notebooks, das die Nutzung von GPUs für alle Kursteilnehmer/-innen ermöglicht, sofern sie einen Google Account besitzen.

Vorkenntnisse

* Grundkenntnisse in Python und Numpy
* Grundlegende Vorkenntnisse in Machine Learning (Algorithmen und Konzepte) sowie in Neuronalen Netzwerken.

Lernziele

* Die Teilnehmerin/der Teilnehmer erlernt die Funktionsweise und das Zusammenwirken der wichtigsten Elemente von Neuronalen Netzen.
* Nach dem Kurs sollte man fähig sein, die grundlegenden
NN-Architekturen (Neuronale Netzwerke aus Fully-Connected-Layers, Convolutional Neural Networks und Recurrent Neural Networks) selbständig in PyTorch zu entwickeln, zu trainieren und zu evaluieren.
* Zudem sollte man die Vor- und Nachteile der gelernten Architekturen verstehen und in der Lage sein, für viele Probleme die angemessene Architektur zu wählen.

 

Speaker

 

Chi Nhan Nguyen Chi Nhan Nguyen arbeitet als Senior Data Scientist Consultant bei itemis. Er hat jahrelang als Hochenergiephysiker an Einrichtungen wie dem CERN, Fermilab bzw. DESY geforscht und hat dort u. a. Machine-Learning-Techniken zur Datenanalyse implementiert und eingesetzt. Seit einigen Jahren ist er als Data Scientist in der freien Wirtschaft unterwegs, wo er schwerpunktmäßig Probabilistische Modelle und Deep-Learning-Methoden entwickelt.

Gold-Sponsor

Novatec

Minds Mastering Machines-Newsletter

Sie möchten über den Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden