Webinar Deep Learning 2:
Fortgeschrittene Techniken und Anwendungen auf materialwissenschaftliche Beispiele

ÜBERSICHT

Für die Auswertung materialwissenschaftlicher und werkstoffkundlicher Daten wird Künstliche Intelligenz in Form des Maschinellen Lernens mit Hilfe von Deep Learning immer wichtiger. Während die Verarbeitung reiner Bilddaten mittels standardisierter Techniken und Architekturen recht einfach bewältigt werden kann, ist die in der wissenschaftlichen und industriellen Praxis häufig anzutreffende Mischung verschiedener Datenarten etwas anspruchsvoller.

In dieser Vertiefungsfortbildung bieten wir Ihnen einen praxisorientierten Einstieg in neuronale Netwerke zur Analyse hybrider materialwissenschaftlichen Daten, d.h. Daten, die z.B. Bilddaten mit tabellarischen Daten kombinieren oder Bilddaten unterschiedlicher Modalitäten oder Skalen verbinden.

Ziel ist es, dass die Teilnehmenden lernen, selbstständig eigene Netzwerkachitekturen, Kodierer und Kostenfunktionen zu entwickeln, um so auf die Anforderungen ihrer jeweiligen Daten passend einzugehen.

PROGRAMM

Tag 1 9:00-13:00

Eigener Dataloader programmieren: hybride Daten loaden
Die Datablock API: hybride Daten kodieren
Multitask Learning mit eigene Kostenfunktion
Anwendung: Analyse von Bruchflächen
Übung: Mutitask-Learning anhand der Bruchflächen Analyse
dazwischen: Kaffeepause

Tag 2 9:00-13:00

Transfer Learning für hybride Daten - Herausforderungen und Lösungen
Übung: Recycling vortrainierter Netzwerke
dazwischen: Kaffeepause

LEISTUNGSUMFANG

Unsere Leistungen beinhalten die Durchführung der Schulung, gedruckte Schulungsunterlagen sowie den Zugriff auf eine persönliche Instanz eines vorkonfigurierten Deep Learning Servers während der gesamten Schulung, einschließlich der Nachmittage. Den Inhalt Ihrer Instanz einschließlich aller Trainingsdaten bekommen sie am Schulungsende auf Wunsch zur Verfügung gestellt, so dass Sie nach Ende der Schulung weiter üben können. Die Schulung ist auf 12 Teilnehmer begrenzt.

Die Gebühr beträgt 1.650,00 € netto pro Teilnehmer zuzüglich Umsatzsteuer.

VORAUSSETZUNGEN

Zur erfolgreichen Teilnahme an der Schulung setzen wir grundlegende Kentnisse im Deep Learning mittels PyTorch und FastAI sowie grundlegende Programmierkenntnisse in z.B. Python voraus. Die Schulung setzt auf unserem Kurs "Deep Learning: Grundlagen und Anwendungen auf materialwissenschaftliche Beispiele" auf und setzt die dort vermittelten Inhalte voraus.

INHALTE

Laden hybrider Daten mittels eigener Dataloader
Kodieren hybrider Daten mittels der Datablock API von FastAI
Definieren eigener Netzwerkarchitektturen
Transfer-Learning bei selbstdefinierten Netzwerken - geht das überhaupt?
Eigene Kostenfunktionen entwerfen, programmieren und anwenden

DOZENT

Dr.-Ing. Tim Dahmen

TEILNAHME

Die Anmeldung erfolgt über unser Kontaktformular. Bitte geben Sie den Kurs an, für den Sie sich interessieren und eine Möglichkeit, wie wir Sie kontaktieren können.
Preis 950 € netto.

ANMELDUNG

Jetzt anmelden