Tracks

ScaDS.AI Training zu den theoretischen Grundlagen von KI/ML

09:00 - 10:30 | Raum 259 | Deutsch

Das Training richtet sich an diejenigen, die erste Schritte in Künstlicher Intelligenz (KI) / Machine Learning (ML) machen und entsprechende Anwendungsmöglichkeiten kennenlernen möchten. Im Rahmen des Trainings werden zunächst Grundprinzipien von KI/ML sowie verschiedene Methoden des überwachten und unüberwachten ML vermittelt, zudem das Vorgehen beim Training und der Evaluation von ML-Modellen. Abschließend wird das Gelernte mit der Programmiersprache Python und entsprechenden Bibliotheken (u.a. Pandas, Scikit-learn) an einem Beispiel angewendet. Keine Voraussetzungen notwendig.

ScaDS.AI Training zu den theoretischen Grundlagen von KI/ML

11:00 - 12:30 | Raum 259 | Deutsch

Das Training richtet sich an diejenigen, die erste Schritte in Künstlicher Intelligenz (KI) / Machine Learning (ML) machen und entsprechende Anwendungsmöglichkeiten kennenlernen möchten. Im Rahmen des Trainings werden zunächst Grundprinzipien von KI/ML sowie verschiedene Methoden des überwachten und unüberwachten ML vermittelt, zudem das Vorgehen beim Training und der Evaluation von ML-Modellen. Abschließend wird das Gelernte mit der Programmiersprache Python und entsprechenden Bibliotheken (u.a. Pandas, Scikit-learn) an einem Beispiel angewendet. Keine Voraussetzungen notwendig.

Alexander Thamm Training

13:30 - 15:00 | Raum 259 | Deutsch

In dem Training wird die Erstellung eines für den Anwendungsfall geeigneten, synthetischen Datensatzes erläutert und präsentiert. Mit den bereits vorbereiteten Bildern werden die Teilnehmer anschließend Konvolutionale Neuronale Netze (Convolutional Neural Networks, CNNs) implementieren und trainieren, die das Ausmaß der Graffiti im Verhältnis zur Bildfläche erkennen. Lernziel ist es, neben der „hands-on“ Erprobung von CNNs samt dem Tuning der Hyperparameter, ein Gefühl für die Stärken und Schwächen von Neuronalen Netzen in der Bildanalyse zu entwickeln. Dies geschieht innerhalb des klassischen Data-Science Life-Cycles von Datenvorverarbeitung, Modell-Implementierung, Modell-Evaluation und Fehler-Analyse. Voraussetzung für die Teilnahme sind rudimentäre Python Kenntnisse – oder Erfahrungen mit anderen Programmiersprachen.

Alexander Thamm Training

15:30 - 18:00 | Raum 259 | Deutsch

In dem Training wird die Erstellung eines für den Anwendungsfall geeigneten, synthetischen Datensatzes erläutert und präsentiert. Mit den bereits vorbereiteten Bildern werden die Teilnehmer anschließend Konvolutionale Neuronale Netze (Convolutional Neural Networks, CNNs) implementieren und trainieren, die das Ausmaß der Graffiti im Verhältnis zur Bildfläche erkennen. Lernziel ist es, neben der „hands-on“ Erprobung von CNNs samt dem Tuning der Hyperparameter, ein Gefühl für die Stärken und Schwächen von Neuronalen Netzen in der Bildanalyse zu entwickeln. Dies geschieht innerhalb des klassischen Data-Science Life-Cycles von Datenvorverarbeitung, Modell-Implementierung, Modell-Evaluation und Fehler-Analyse. Voraussetzung für die Teilnahme sind rudimentäre Python Kenntnisse – oder Erfahrungen mit anderen Programmiersprachen.