Das Thema Maschinelles Lernen, insbesondere Deep Learning mittels tiefer neuronaler Netze, hat zunehmende Bedeutung für das fertigende Gewerbe. Im Rahmen dieser Schulung geben wir eine fundierte und praxisnahe Einführung in die Verarbeitung sensornaher Daten, z.B. Bilddaten, aus der Produktionsüberwachung. Sie lernen Konzeption, Vorbereitung und Durchführung von Deep Learning Projekten anhand praktischer Beispiele aus der Defekterkennung und Qualitätsüberwachung in der Automobilbranche, der Elektronikfertigung und der Metallverarbeitung. Wir behandeln sowohl die Verarbeitung von Bilddaten mittels Faltungsbasierter Neuronaler Netze (Convolutional Neural Network) als auch die Kodierung und Verarbeitung tabellarischer Daten.
Sie lernen Möglichkeiten und Probleme einzuschätzen um die gelernten Techniken auf eigene Probleme zu übertragen, beispielsweise an dem hier gezeigten, synthetischen Datensatz mit Rissen aus intergranularer Spannungskorrosionen und vielen weiteren.
Tag 1 9:00-13:00
Tag 2 9:00-13:00
Tag 3 9:00-13:00
Tag 4 9:00-13:00
Tag 5 9:00-13:00
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 Programmierkenntnisse in z.B. Python oder Matlab voraus. Die Vorkenntnisse umfassen unter anderem: Variablen und zugehörige arithmetische Operationen, Funktionen, Fallunterscheidungen, Kontrollstrukturen). Weiterhin sind Mathematik Grundkenntnisse hilfreich. Beispielsweise sollten Sie eine Vorstellung zu den Stichworten Vektor, lineare Abhängigkeit, Gradient und Nichtlinearität haben.
INHALTE
DOZENT
TEILNAHME
ANMELDUNG
Jetzt anmelden