Beginn 02.11.2020
Ende 06.11.2020
VeranstaltungsortOnline-Veranstaltung 09:00–13:00 Uhr
Info-Link Hier
Telefon+49-(0)69-75306 757
E-Mailfortbildung@dgm.de

Für die Auswertung materialwissenschaftlicher und werkstoffkundlicher Daten, vor allem für Bilddaten, wird Künstliche Intelligenz in Form des Maschinellen Lernens mit Hilfe von Deep Learning immer wichtiger. In dieser Fortbildung bieten wir Ihnen einen praxisorientierten Einstieg in faltungsbasierte neuronale Netwerke (Convolutional Neural Networks) zur automatischen Analyse von materialwissenschaftlichen Daten. Der Fokus wird auf der Klassifizierung und Segmentierung von Bilddaten und Tabellendaten liegen.

Ziel ist es, dass die Teilnehmer Möglichkeiten und Probleme kennen und anwenden lernen, um die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren zu können.

Themen und Inhalte

  • Grundlagen der verwendeten Software Tools: Python und Jupyter Notebook
  • Einführung: Deep Learning als Methode des Maschinellen Lernens
  • Deep Learning mit Convolutional Neural Networks
  • Einführung in PyTorch
  • Übung I: Entwicklung eines Convolutional Neural Network (CNN) zur Klassifizierung von Bild- und Tabellendaten
  • Von der Materialwissenschaft zum Deep Learning – Beispiele und Anwendungen
  • Manuelle Erzeugung von Trainingsdaten
  • Synthetische Erzeugung von Trainingsdaten
  • Übung II: Entwicklung eines Convolutional Neural Network (CNN) zur Segmentierung von Bild- und Tabellendaten
  • Zusammenfassung

Ihr Nutzen

  • Nach einer kurzen Einführung, welche mathematisch nicht in die Tiefe geht, werden gemeinsam Anwendungsbeispiele von Deep Learning entwickelt.
  • Sie lernen, wie man mit Hilfe von Python und geeigneten Bibliotheken Neuronale Netzwerke implementieren und anwenden kann. Der Fokus liegt dabei auf der eigenständigen Anwendung der erarbeiteten Modelle.
  • Durch eigenaktives Ausführen und Ändern der zur Verfügung gestellten Skripte können Sie das Erlernte direkt praktisch anwenden.
  • Nach der Teilnahme kennen Sie die Möglichkeiten und Problemestellungen des Maschinellen Lernen, so dass Sie die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren zu können.

Zielgruppe

Ideale Voraussetzungen für eine erfolgreiche Teilnahme an der Fortbildung sind grundlegende Programmierkenntnisse in Python, Matlab oder anderen Programmiersprachen. Die Vorkenntnisse umfassen unter anderem: Variablen und zugehörge 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.

Unternehmen