Deep Learning mit PyTorch

Tensorflow, Keras und PyTorch sind zur Zeit die populärsten Frameworks zur Entwicklung von Neuronalen Netzwerken. PyTorch zeichnet sich vor allem durch seine Flexibilität und Debuggingfähigkeiten aus, ohne dass Abstriche bei der Trainingsperformance gemacht werden muss. PyTorch ist dadurch vor allem bei Forschern und bei Entwicklern im Bereich Natural Language Processing sehr beliebt. Auch im Bereich Integration und Deployment wurden in den letzten Versionen erhebliche Fortschritte gemacht.

Ich werde eine praktische Einführung in PyTorch geben. Der Workshop-Teilnehmer benötigt Grundkenntnisse in Python.

Auf diesen Grundkenntissen aufbauend werden wir gemeinsam die ersten einfachen Neuronalen Netzwerke entwickeln und trainieren. Auch grundlegende Architekturen für Bildklassifizierung (Convolutional Neural Networks) und Sequenzprozessierung (Recurrent Neural Network) werden sowohl in der Theorie behandelt als auch im Kurs praktisch umgesetzt.

Der Workshop basiert auf Google Colab Notebooks, was die Nutzung von GPUs für jeden Kursteilnehmer ermöglicht.

Vorkenntnisse

* Solide Grundkenntnisse in Python
* Elementare Grundkenntnisse: Maschinelles Lernen

Lernziele

* Die grundlegenden Elemente eines Neuronalen Netzwerkes kennen und ihr Zusammenwirken beschreiben können
* Die Architekturen von Feed-Forward, Convolutional und Recurrent Neural Networks unterscheiden können und mit PyTorch selbst implementieren
* Ein Überblick über die gängigen Optimierungsmethoden
* Anwendung auf neue Problemstellungen

 

Agenda

Teil 1

  • Theorie: Einführung in PyTorch und Neuronale Netzwerke (NN)
  • Praxis: Feed Forward Neural Network an einem Beispiel

Teil 2

  • Theorie: Einführung in Convolutional Neural Networks (CNN)
  • Praxis: CNN an einem Beispiel
  • Theorie: Optimierung von NN

Teil 3

  • Theorie: Einführung in Recurrent Neural Networks (RNN)
  • Praxis: LSTM-RNN an einem Beispiel

 

Technische Anforderungen:

Alle Beispiele und Slides werde ich mit Jupyter-Notebooks in Google Colab präsentieren. Auch die Hands-on-Übungen werden auf Colab durchgeführt. Colab is eine Cloud-basierte Web-Applikation, die auf Jupyter-Notebooks basiert. Die Notebooks laufen in einer virtuellen Linux-Umgebung mit vorinstallierten Machine-Learning-Paketen und GPU-Support: colab.research.google.com.

Dies brauchst du während des Workshops:
* Einen eigenen Laptop, der über WLAN/LAN und mindestens 100 MB freien Festplattenspeicher verfügt.
* Google Account
* Web-Browser (Chrome oder Firefox bevorzugt)

Speaker

 

Chi Nhan Nguyen
Chi Nhan Nguyen arbeitet als Senior Data Scientist bei itemis. Er war jahrelang als Hochenergiephysiker an Einrichtungen wie dem CERN, Fermilab bzw. DESY als Forscher tätig und hat dort u. a. Machine-Learning-Techniken zur Datenanalyse implementiert und eingesetzt. Seit einigen Jahren ist er als Data Scientist in der freien Wirtschaft unterwegs, wo er schwerpunktmäßig Probabilistische Modelle und Deep-Learning-Methoden entwickelt.

M3-Konferenz-Newsletter

Sie möchten über die ML Essentials
auf dem Laufenden gehalten werden? Dann abonnieren Sie den Newsletter der zugehörigen Konferenz Minds Mastering Machines (M3).

 

Anmelden