Info
Lehrplan des Trainingskurses „Deep Learning for Industry”
Trainingsangebot der FH Aachen Akademie für Weiterbildung
Trainer: Prof. Dr.-Ing. Ingo Elsen
Fakultät für Elektrotechnik und Informationstechnik
Big Data & Machine Learning FH Aachen
Eupener Str. 70 (Raum H 217)
52066 Aachen | Deutschland
T +49. 241. 6009 52207
www.fh-aachen.de/en/people/elsen
bigdata.fh-aachen.de
Kursziele und Voraussetzungen:
Die Teilnehmenden erhalten Kenntnisse über die Grundprinzipien künstlicher neuronaler Netze, deren Entwicklung hin zu den heutigen Deep‑Learning‑Architekturen und deren Anwendung auf Probleme mit klassischen tabellarischen Daten, wie Sensormessungen, Zeitreihen, Bildern und Texten.
In den praktischen Sitzungen arbeiten die Teilnehmenden mit aktuellen Werkzeugen und Algorithmen und lernen, wie moderne GPGPU‑Architekturen genutzt werden können.
Die verwendeten Datensätze stammen aus verschiedenen Bereichen der Industrie und sollen den Teilnehmenden einen breiten Einblick in moderne Ansätze für Deep‑Learning‑Anwendungen in unterschiedlichen Branchen und Prozessbereichen geben.
Ist dieser Kurs für mich?
Der Kurs richtet sich an Teilnehmende, die ein fundiertes und tiefgehendes Verständnis dafür erwerben möchten, wie neuronale Netze und Deep Learning funktionieren – kombiniert mit umfangreicher praktischer Erfahrung.
Teilnehmende sollten grundlegende Kenntnisse in Algorithmen, Programmierung und Datenanalyse mitbringen, z. B. wie sie im Big Data Analytics‑Kurs der FH Aachen Akademie vermittelt werden. Die praktischen Übungen werden in Python umgesetzt, insbesondere mit den gängigen Bibliotheken zur Datenmanipulation, Machine Learning und Deep Neural Networks.
Für die praktischen Übungen, die etwa 50 % der Kurszeit ausmachen, steht eine einsatzfertige Programmierumgebung zur Verfügung. Diese beinhaltet den Zugriff auf einen leistungsfähigen Rechencluster mit nVidia H100‑GPUs. Teilnehmende können ggf. auch eigene Infrastruktur verwenden; in diesem Fall kann eine Liste der erforderlichen Python‑Pakete und Frameworks bereitgestellt werden.
Teil I - Künstliche Neuronale Netze und ihre Entwicklung zu modernen Deep‑Learning‑Architekturen
Modul 1: Künstliche Neuronale Netze
• Eine kurze Geschichte der neuronalen Netze
• Die verschiedenen Lernmodi von neuronalen Netzen
• Was wir aus linearen Modellen lernen können
• Backpropagation (Fehlerrückführung): Der heute gebräuchliche Lernalgorithmus
• Einschränkungen von Feed‑Forward‑Modellen und Backpropagation
• Ansätze zur Optimierung
• Aufbau eines ersten künstlichen neuronalen Netzes
Modul 2: Von Feed‑Forward‑Modellen zu Deep Learning
• Was neuronale Netze „deep“ macht
• Herausforderungen beim Training tiefer neuronaler Netze
• Vorbereitung von Datensätzen für Deep Learning
• Aufbau einer Trainings‑ und Test‑Pipeline für Ihre Fragestellungen
• Hardware‑ und Software‑Aspekte
Modul 3: Aufbau neuronaler Netze mit aktuellen Frameworks
• Die Rechenherausforderung für Deep Learning
• Gängige Frameworks: Keras, TensorFlow, PyTorch
• Aufbau von neuronalen Netzwerkmodellen von unten nach oben (Bottom‑Up)
• Bausteine neuronaler Netze
• Training neuronaler Netze auf einer lokalen Maschine
• Training neuronaler Netze auf mehreren Rechnern – warum und wie?
Modul 4: Überblick über gängige Architekturen für tiefe neuronale Netze
• DCNN – Deep Convolutional Neural Networks, Bildverarbeitung
• ResNet – Leistungssteigerung durch Shortcut‑Verbindungen
• LSTM/GRU – Rekurrente neuronale Netze zur Verarbeitung von Sequenzdaten
• Attention/Transformer‑Architektur – Überwindung technischer Einschränkungen von LSTM
• Textvorverarbeitung – Darstellung von Text als numerische Daten
• Generative Modelle – Erzeugung neuer Daten aus Eingaben
Teil II – Lösung industrieller Fragestellungen mit Deep Learning
Modul 5: Selbstüberwachtes Deep Learning
• Autoencoder
• Anomalieerkennung
• Anwendung auf Probleme der Qualitätkontrolle
• Aufbau eines tiefen ConvNets zur Erkennung möglicher Fehler in Bildern
Modul 6: Verarbeitung von Zeitreihen mit Deep Learning
• Problemfeld: Predictive Maintenance (vorausschauende Instandhaltung)
• Zeitreihen von Maschinendaten
• Vorhersage von Maschinenausfällen mithilfe eines tiefen neuronalen Netzes
Modul 7: Verarbeitung von Sequenzen mit Deep Learning
• Text als Sequenz
• Grundidee der Sprach‑/Natural‑Language‑Verarbeitung
• Generative vs. nicht‑generative Ansätze: „Die Welt besteht nicht nur aus GPT“
• Verwendung eines tiefen neuronalen Netzes zur Klassifikation von Textnachrichten
Organisatorische Details:
Gesamter Zeitaufwand - Typischerweise: 6 Tage, 8 Unterrrichtsstunden pro Tag. Die Schulungseinheiten sind in halbtägige Sitzungen aufgeteilt (12 aufeinanderfolgende Vormittage).
Teilnehmerzahl: 6 bis 12, Gruppenarbeiten in Gruppen von 2 bis 4 Personen.
Ort: Der Kurs kann vollständig virtuell durchgeführt werden. Für firmeninterne Schulungen (6 Teilnehmende oder mehr) können Präsenztrainings angeboten werden, die dann ganztägig durchgeführt werden.
Dies ist ein Vorschlag zur organisatorischen Ausgestaltung und kann entsprechend den Kundenwünschen angepasst werden.
Rücktritts-/Stornobedingungen:
Die Buchung ist bis 29 Tage vor Schulungsbeginn geöffnet.
Sie haben das Recht, binnen 14 Tagen ohne Angabe von Gründen diesen Vertrag zu widerrufen, die Widerrufsfrist beginnt mit Vertragsschluss (Buchung), zur Ausübung genügt eine eindeutige Erklärung (z.B. per Mail).
In Abhängigkeit vom Zeitpunkt der Absage der Teilnahme an der Bildungsveranstaltung, fallen Stornogebühren an, obige Widerrufsfrist bleibt hiervon unberührt.
- Stornierung bis zu 4 Wochen vor Kursbeginn: 25% der Kursgebühr
- Stornierung weniger als 4 Wochen vor Kursbeginn: 50% der Kursgebühr
Bei einer Kündigung während der Kurslaufzeit ist die volle Kursgebühr zu entrichten. Dies gilt auch bei einer kurzfristigen Abmeldung wegen Krankheit.
Bei Nichterscheinen eines oder mehrerer Teilnehmender zu einer angemeldeten Bildungsveranstaltung, ist dennoch die volle Teilnahmegebühr zu entrichten.
Es besteht kein Anspruch auf die die teilweise oder vollständige Rückerstattung von bereits gezahlten Kursgebühren im Falle eines krankheitsbedingten Ausfalls oder des vorzeitigen Verlassens der Bildungsveranstaltung durch einen oder mehrere Teilnehmende.
Die Kündigung eines oder mehrerer Teilnehmender hat gegenüber dem Organisationsbereich des Veranstalters zu erfolgen, der die Anmeldung des Teilnehmers bestätigt hat. Bedienstete des Veranstalters, insbesondere externe Referenten, sind zur Entgegennahme von Kündigungen nicht befugt.
Bei Stornierungen kann anstelle einer Rückerstattung oder eines Ausfalls bei voller Zahlung ein Ersatzteilnehmer benannt oder entsandt werden, sonst gelten die obigen Stornobedingungen.
Absage durch den Veranstalter / Veranstaltungsänderung:
Die FH Aachen behält sich vor, die Schulung bei Unterschreitung der erforderlichen Mindestteilnehmerzahl abzusagen; in diesem Fall findet die Veranstaltung nicht statt und bereits gezahlte Teilnahmegebühren werden erstattet oder ein Ersatztermin angeboten.
Die FH Aachen behält sich Änderungen in der Organisation, der personellen oder räumlichen Besetzung oder dem Ablauf der Schulung vor, die keinen wesentlichen Einfluss auf den Gesamtcharakter der Bildungsveranstaltung haben. Die FH Aachen behält sich zudem vor, wegen Erkrankung von Dozenten sowie sonstigen Störungen im Geschäftsbetrieb, die von ihm nicht zu vertreten sind, angekündigte oder begonnene Seminare abzusagen. Bereits bezahlte Teilnahmegebühren werden in diesem Falle erstattet.
Leistungsnachweise:
Die Teilnehmenden erhalten nach Beendigung eines vollständigen Kurses eine Teilnahmebestätigung als PDF.
Urheberrechte:
Alle Veranstaltungsunterlagen (sowohl in physischer als auch digitaler Form wie z.B. Video- und Audiomaterialien) sind urheberrechtlich geschützt. Die Vervielfältigung, Weitergabe oder anderweitige Nutzung der Unterlagen sowie jeglicher durch die FH Aachen oder ihre Beauftragten zur Verfügung gestellter Dokumente, Grafiken, Bild- und Tonmaterialien sowie anderer Informationsträger ist nur mit ausdrücklicher schriftlicher Zustimmung der FH Aachen gestattet.