-
Die teilnehmende Person hat Kenntnisse in Python (beispielsweise durch den Besuch des Seminars "Python - Grundlagen").
-
Sie kann ein Python Skript öffnen, editieren und in Spyder oder einem Jupyter Notebook ausführen.
-
Sie kann Daten von der Festplatte mit Python einlesen.
-
Sie kennt normalverteilte Zufallsvariablen und weiß, was Erwartungswert, Varianz/Standardabweichung und Kovarianz sowie Korrelation sind.
-
Sie hat am vorausgehenden Seminar "Künstliche Intelligenz - Python-Spezialisierung 1: Machine- und Deep Learning" o.ä. teilgenommen und kann bereits mit SciKit sowie PyTorch umgehen (z. B. Tensoren, Netzarchitekturen, Hyperparameter) und kennt die notwendige Theorie.
Hier sind Sie richtig, wenn Sie ...
-
Deep Learning in Form von Convolutional Neural Networks (CNN) umsetzen wollen, um Bilder / Fotos zu erkennen und weiter zu verarbeiten
-
einen Bildgenerator mit Hilfe von Generativen Adversialen Netzen (GAN) bauen wollen
-
Vektorisierung von Texten (zählbasiert und mit W2V) umsetzen wollen, um Texte maschinell verarbeiten zu können
-
Deep Learning in Form von Transformern umsetzen wollen, um Ihr eigenes Sprachmodell trainieren zu können
-
ChatGPT nahezu komplett verstehen wollen
-
fundiert Fine Tunings oder Retrieval Augmented Generation konzipieren wollen
-
Vision Transformers als Alternative zu CNN kennenlernen wollen
-
die KI-Verordnung in ihrer Relevanz kennenlernen möchten sowie mögliche Anwendungsfälle in der Polizeiarbeit
-
wesentliche Methoden des überwachten und selbstüberwachten (self-supervised learning) Lernens beherrschen wollen
Sie ...
-
können die Grundlagen von Natural Language Processing und Bildverarbeitung erläutern und Anwendungsfehler identifizieren.
-
können Aufbau, Funktionsweise und Anwendung von Algorithmen zur Verarbeitung, Analyse, Bewertung und Generierung von Bildern und Texten darlegen.
-
können bestehende Modelle für die Sprach- und Bildverarbeitung verstehen und analysieren.
-
können zielgenau geeignete Ansätze auswählen und eigene Modelle entwickeln.
-
können in Praxis und Forschung etablierte Python Pakete einsetzen.
-
verfügen über lauffähige Skripte und können diese an Ihre Bedürfnisse adaptieren.
-
Wie funktioniert die klassische Textanalyse?
-
Was bedeutet es, von zählbasierten, diskreten Vektorisierungen auf dichte Einbettungen zu wechseln?
-
Inwiefern stellen Transformer eine Weiterentwicklung von Word2Vec dar?
-
Worin besteht das Überwinden statischer Einbettungen?
-
Warum heißt der Transformer so und was sind seine Bausteine?
-
Wie funktioniert der Aufmerksamkeitsmechanismus im Detail?
-
Wie genau arbeitet das Byte Pair Encoding?
-
Welche Formen des Positional Encodings gibt es?
-
Wie genau funktioniert ein generatives Sprachmodell?
-
Was ist die Fehlernorm, die im Training minimiert wird?
-
Wie funktionieren Convolutional Neural Networks (CNN)?
-
Wieso beginnt man mit Filtern?
-
Was ist eine Feature Map?
-
Wie baut man CNN zur Bilderkennung?
-
Wie muss man diese verändern, um Bilder generieren zu können?
-
Welche Rolle spielen dabei Generative Adversariale Netzwerke?