UL Certified Artificial Intelligence Professional - Foundations

Nach erfolgreichem Abschluss dieses Seminars werden Sie in der Lage sein:

• die Begriffe und Konzepte, die bei der Erstellung und Pflege von Systemen der künstlichen Intelligenz verwendet werden zu beschreiben.
• die Anwendungsfälle, Nachteile und zugrundeliegenden Techniken der verschiedenen Methoden der künstlichen Intelligenz zu verstehen.
• Neuronale Netze mit Hilfe modernster Frameworks von Grund auf zu entwerfen, zu trainieren und zu validieren.
• die Prüfung zum UL Certified Artificial Intelligence Professional Foundations zu absolvieren, die eine Voraussetzung für weiterführende Zertifizierungen, z.B. zum UL Certified Autonomy Safety Professional - Machine Learning ist

Inhalt

Künstliche Intelligenz (KI) und Machine Learning haben längst Einzug in weite Teile der Industrie gehalten. Erfolge wurden zuletzt beim autonomen Fahren, der medizinischen Bildverarbeitung oder der Materialprüfung erzielt. In Zukunft wird KI in zahlreichen Branchen und Szenarien eine noch größere Rolle spielen. Um für diese Zukunft fit zu sein, müssen sich Unternehmen mit den Grundlagen von KI und maschinellem Lernen auseinandersetzen.Diese Grundlagen vermittelt Ihnen unser Training, das die schiere Informationsflut bündelt und Ihnen einen kompakten Überblick über Theorie und Praxis des maschinellen Lernens bietet. Sie erhalten das praktische Wissen, das Sie benötigen, um das enorme Potenzial der künstlichen Intelligenz in Ihr Produktportfolio und Ihre Wertschöpfungskette zu integrieren.Dieses Training ist sehr praxisorientiert. Es besteht zur Hälfte aus angewandten Übungen zu einem einheitlichen Thema. Sie lernen die relevanten Methoden und Praktiken rund um das maschinelle Lernen kennen, wobei der Schwerpunkt auf künstlichen neuronalen Netzen, der Basis für Deep Learning, liegt.

Tag 1

Grundlagen

• Einführung und Definition von Begriffen
• Anwendungsfälle und Unzulänglichkeiten von KI
• Vorstellung der im Workshop verwendeten Technologien, z.B.,TensorFlow und Keras.
• Beispiel-ArchitekturenLandschaft der KI-Methoden
• Supervised Learning
• Unsupervised Learning
• Reinforcement LearningEinschichtige neuronale Netze (Perzeptrons)
• Biologische Motivation
• Von biologischen zu künstlichen Neuronen
• Lernen: Optimierung und Gradientenabstieg
• Klassifikation mehreren Klassen

Tag 2

Grundlegende Begriffe und Werkzeuge

• Loss-Funktionen
• Performanz-Metriken
• Datenpartitionierung
• Feature-Extraktion, Dimensionalitätsreduktion
• Overfitting und GegenmaßnahmenMehrschichtige neuronale Netze
• Backpropagation
• Deep LearningConvolutional Neural Networks
• Einführung in Faltung
• Convolutional Neural Networks für bildbasierte Probleme

Zielgruppe

• Software-Ingenieure, Entwickler, Datenwissenschaftler, Projektleiter, Qualitätsmanager und Testpersonal, die Systeme mit künstlicher Intelligenz entwickeln.
• Ingenieure, die sich mit fortschrittlichen Fahrerassistenzsystemen (ADAS) und der Überprüfung autonomer Fahrzeuge (AV) beschäftigen.

Weitere Informationen

• Es werden englische Kursmaterialien verwendet.