Deep Learning in R

In diesem Training lernen Sie den Umgang mit den Neuronalen Netzen zur Lösung von Klassifikations- und Regressionsproblemen kennen. Über den grundlegenden Aufbau eines einfaches Neurons werden tiefe Neuronale Netze besprochen und angewendet, um komplexe Probleme auf Beispieldaten zu lösen. Unter anderem Erfahren Sie, wie sich Bilddaten klassifizieren lassen und welche Techniken für die Prognose von Zeitreihen angewendet werden.

Neben den Algorithmen versucht das Training einen Eindruck von Deep Learning Prozessen zu vermitteln. D.h., es wird aufgezeigt, welche Schritte notwendig sind um einen Deep Learning Task zu lösen und wie diese konkret umgesetzt werden.

• Kennenlernen der Grundlagen von Neuronalen Netzen
• Architekturen für verschiedene Problemklassen aufbauen
• Tiefe Neuronale Netze erstellen um Klassifikations- und Regressionsprobleme zu lösen
• Kennenlernen von Deep Learning Bibliotheken

• Grundlagen Neuronaler Netze
• Gradient Descent, Lernraten, Aktivierungsfunktionen
• Overfitting, Underfitting und Parametertuning – Techniken der Modellerstellung
• Kreuzvalidierung, Kreuzvalidierung bei Zeitreihen
• Klassifikationsprobleme mit Neuronalen Netzen lösen
• Aufbau eines tiefen Neuronalen Netzes
• Evaluation von Klassifikationsverfahren (ROC-Kurven, Cutoff-Wert, Präzision, Sensitivität, Spezifität)
• Regressionsprobleme mit Neuronalen Netzen lösen
• Aufbau eines tiefen Neuronalen Netzes
• Evaluation von Regressionsproblemen
• Deep Learning Bibliotheken
• H2O, Tensor Flow, Keras,
• Deep-Learning Architekturen
• Multi-Layer Perceptron, Recurrent Neural Networks, Convolutional Neural Networks

Grundlegende Programmiererfahrung in R sollte vorhanden sein.

Training am eigenen Laptop

 (Softwarevoraussetzungen und Installationsanleitung erhalten Sie im Vorfeld)