Deep Learning für Anwendungen in der Produktion

Im Anschluss an diese Maßnahme sind Sie in der Lage, Deep Learning, Data Science und Machine Learning Techniken zu verwenden, um Anwendungen in der Produktion zu entwickeln. Sie werden Kenntnisse in Produktionsmanagement erwerben und über das Verständnis der Emerging Technologies und der digitalen Transformation verfügen. Sie werden in der Lage sein, Programmiersprachen wie C++ und Python zu nutzen, um Lösungen umzusetzen. Durch diese Weiterbildung werden Sie auf vielfältige Karrieremöglichkeiten vorbereitet, unter anderem in den Bereichen Produktion, Datenanalyse und Projektmanagement.

Grundlagen des Deep Learnings

• Aufgaben und Funktion von Deep Learning
• Abgrenzung von Machine Learning und Deep Learning
• Einführung in Machine Learning
• Funktion und Nutzen von Machine Learning
• Grundlegende Algorithmen: lineare/logistische Regression
• Grundlagen der Produktions- und Kostentheorie

Neuronale Netze und deren Architektur

• Neuronale Netze
• Einführung in Neuronale Netze
• Signalübertragung in Neuronalen Netzen
• Backpropagation
• Aktivierungsfunktionen

Deep Learning Frameworks und Technologien

• Python- und Machine-Learning-Bibliotheken
• Einführung in PyTorch
• Tensoren

Programmierung und Tools für Deep Learning

• Grundlegende Programmierkonzepte
• Python-Skripte
• Datenstrukturen
• Funktionen
• Threads
• Finden und Vermeiden von Fehlern

Datenverarbeitung mit Python

• Einführung in NumPy und Messdatenverarbeitung
• Modellieren mit Kellern, Schlangen und Graphen
• Datenbanken

Deep Learning in der Praxis

• Trainieren eines Neuronalen Netzes
• Praxisarbeit: Programmierung Neuronales Netzwerk
• Automatische Bilderkennung
• Praxisarbeit: Optimierung Neuronales Netzwerk
• Hyperparameteroptimierung

Fortgeschrittene Methoden im Deep Learning

• Support Vector Machines (SVM)
• Techniken: Merkmalserstellung und Normalisierung
• Praktische Anwendung: Modelltraining und Modellperformance
• Fortgeschrittene Techniken: Handhabung unausgewogener Daten

Anwendungen und Projekte

• Verkehrszeichenerkennung mit Keras
• Intelligente Spurerkennung mit Keras und OpenCV
• Qualifikationsprojekt Data Science
• Qualifikationsprojekt Machine Learning

Cloud und verteiltes Deep Learning

• Anwendungen in Cloud Deep Learning
• Bildgenerierung, Musik und Video

Produktion und Deep Learning

• Weiterentwicklung von PPS-Systemen und Konzepte digital vernetzter Produktion
• Produktionsplanung und -steuerung (PPS)
• Dispositive Faktoren
• Bereitstellung und Einsatz von Produktionsfaktoren
• Menschliche Arbeit als Produktionsfaktor

Innovation und Datenmanagement in der Produktion

• Umwandeln von Daten in Assets
• Innovation durch schnelles Experimentieren

Programmiertechniken und Algorithmen

• Multithreading
• Vertiefung von Multithreading
• Smart Pointer
• Exception-Handling
• Algorithmen der Standardbibliothek
• File-Input und -Output und Operator-Overloading
• Wahlfreier Dateizugriff
• Dateisysteme

Testverfahren und Optimierung

• Testen und Tuning