Deep Learning mit Pytorch: GAN, RNN und Transformer
Der Kurs bietet einen Überblick über mehrere fortgeschrittene Themenbereiche innerhalb Deep Learning, die neue Anwendungstypen ermöglichen und inzwischen oft schon Teil des Alltags geworden sind.
Zu jedem Haupttyp (GAN, RNN, Transformer) wird mindestens ein Beispiel ausführlich durchgeführt, teilweise als Jupyter Notebook, teilweise in einer IDE wie Visual Studio Code. Zusätzlich werden Beispiele mit vorgegebenem Code ausgeführt und untersucht sowie einige moderne Netzwerke in ihren Grundideen vorgestellt wie z.B. BERT und GPT Varianten.
Der Kurs gibt darüber hinaus mathematische Hintergrundinformationen sowie Tipps für die praktische Realisierung als Softwareprojekt.
Inhalt
Generative adversarial networks
Einsatzgebiete
Spezielle Loss-Funktionen
Einfacher Fall: MLPs ausreichend
Komplexer mit Deep Convolutional GANS: Face generation
Moderne Varianten (Wasserstein GAN, CycleGAN)
Überblick generative ModelleMathematische Grundlagen
Vektoren und Linearkombinationen
Matrizen, lineare Transformationen
Analysis in höheren Dimensionen
Partielle Ableitungen
Kettenregel und andere Regeln
Geometrische Intuition
Oft gebrauchte Funktionen
Recurrent neural networks
Sequentielle Daten als Input und/oder Output
Embeddings
Backpropagation through time
Problem vanishing / exploding gradient
LSTM Intuition
Variante GRU
Seq2seq Modelle: Encoder/Decoder
Attentionmechanimus in RNNs
Einsatzbeispiele: Chatbots, Übersetzungen
Transformer
Attention ohne RNN, Intuition
Self Attention, Multi head attention
Queries, Keys, Values
Originale Transformer Architektur
Nur Encoding: BERT
Nur Decoding: GPT
Large Language Models
Finetuning (ähnlich Transfer Learning bei CNN)
Einsatzmöglichkeiten: Sentimentanalyse, Übersetzung u.a.
Qualitätsmaß BLEU score
Ausblicke
Transformer für Bilder
Weiterentwicklung bei CNNs
Umfeld: Unternehmen und Dienste (Kaggle, HuggingFace, ...)
Vereinfachung/Wrapper für Pytorch: Lighting
Ausführung in der Cloud, Services bei AWS u.a.
Grundidee Diffusion Modelle zur Generierung von Audio und Bildern
Kurzvorstellung Reinforcement Learning
-
Zielgruppe
Es richtet sich an Entwickler, die ihre Kenntnisse im Bereich Deep Learning vertiefen möchten.
-
Voraussetzungen
Multi Layer Perceptrons und Convolutional Neural Networks mit Pytorch
Python in einer IDE (Pycharme, Visual Studio Code)
Jupyter Notebooks
-
Dauer
5 Tage.
-
Preis
€ 2.850 zzgl. MwSt.