Möchten Sie mit Ihrem Team teilnehmen? Profitieren Sie von unseren Gruppenrabatten! Schreiben Sie an events@dpunkt.de

Neuronale Netzwerke mit PyTorch


Dieser Online-Workshop findet am 6. Mai statt.


Tensorflow, Keras und PyTorch sind zur Zeit die populärsten Frameworks zur Entwicklung von neuronalen Netzwerken. PyTorch zeichnet sich vor allem durch seine Flexibilität und Debugging-Fähigkeiten aus, ohne dass Abstriche bei der Trainingsperformance gemacht werden müssen. 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.

Dieser Workshop wird eine praktische Einführung in PyTorch geben. Teilnehmer/-innen benötigen lediglich Grundkenntnisse in Python und NumPy, sollten aber mit Machine-Learning-Grundlagen vertraut sein. Darauf aufbauend werden die Teilnehmer gemeinsam die ersten einfachen neuronalen Netzwerke entwickeln und trainieren.
Auch grundlegende Architekturen für Bildklassifizierung (Convolutional Neural Networks) und Sequenz-Prozessierung (Recurrent Neural Network) werden sowohl in der Theorie behandelt als auch im Kurs praktisch umgesetzt.

Der Workshop basiert auf Google Colab Notebooks, das die Nutzung von GPUs für alle Kursteilnehmer/-innen ermöglicht, sofern sie einen Google Account besitzen.

Vorkenntnisse

* Grundkenntnisse in Python und NumPy
* Grundlegende Vorkenntnisse in Machine Learning (Algorithmen und Konzepte) sowie in Neuronalen Netzwerken.

Lernziele

* Die Teilnehmer/-innen erlernen die Funktionsweise und das Zusammenwirken der wichtigsten Elemente von Neuronalen Netzen.
* Nach dem Kurs sollte man fähig sein, die grundlegenden
NN-Architekturen (Neuronale Netzwerke aus Fully-Connected-Layers, Convolutional Neural Networks und Recurrent Neural Networks) selbständig in PyTorch zu entwickeln, zu trainieren und zu evaluieren.
* Zudem sollte man die Vor- und Nachteile der gelernten Architekturen verstehen und in der Lage sein, für viele Probleme die angemessene Architektur zu wählen.

Agenda

09:00 Uhr: Beginn - Präsentation mit Demos: Einführung in PyTorch (inkl. Refresher in Numpy, Matplotlib)

10:00 Uhr: Hands-on: Feed Forward Neural Network

10:30 Uhr: Pause

10:45 Uhr: Hands-on: Convolutional Neural Network

12:15 - 13:15 Uhr: Mittagspause

13:15 Uhr: Hands-on: Transfer Learning und Recurrent Neural Network

14:30 Uhr: Pause

14:45 Uhr: Hands-on: Recurrent Neural Network continued

ca. 16 Uhr: Ende

 

Technische Anforderungen

Alle Beispiele und Slides wird der Referent mit Jupyter-Notebooks in Google Colab präsentieren. Auch die Hands-on-Übungen werden auf Colab durchgeführt. Colab is eine Cloud-basierte Webapplikation, die auf Jupyter-Notebooks basiert. Die Notebooks laufen in einer virtuellen Linux-Umgebung mit vorinstallierten Machine-Learning-Paketen und GPU-Support: https://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
  • Webbrowser (Chrome oder Firefox bevorzugt)
Du brauchst im Moment also nur einen Google Account.

Mit Google Colab kannst du dich schon vorher vertraut machen: https://colab.research.google.com/notebooks/basic_features_overview.ipynb

Wenn du die Links zu den Workshop Notebooks bekommst:
  • Log dich mit deinem Account bei Google ein und gehe in deinem Browser zu einem der Links.
  • Öffne das Dokument mit Colab und mache jeweils eine Kopie davon in deinem GDrive.
  • Gehe zur Kopie und schließe das Original (das Original ist nicht editierbar).
  • Mit deiner eigenen Kopie kannst du nun soviel rumspielen, wie du willst.

Speaker

 

Chi Nhan Nguyen
Chi Nhan Nguyen arbeitet als Senior Data Scientist Consultant bei itemis. Er hat jahrelang als Hochenergiephysiker an Einrichtungen wie dem CERN, Fermilab bzw. DESY geforscht 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.

Sie möchten über die
auf dem Laufenden gehalten werden?

 

Anmelden