Neuronale Netze sind aus unserem Alltag kaum noch weg zu denken. Dieser Bereich verändert sich so rasant und wird immer weiter entwickelt. In diesem Seminar werden Sie eine Alternative zu Python finden und dabei mit der Objektorientierung der Programmiersprache C# auch modulare Machine-Learning-Modelle entwerfen. In diesem Kurs bieten wir einen Überblick über die Potenziale von Künstlicher Intelligenz (KI), einschließlich Tools wie ChatGPT (GPT). Wir möchten den Teilnehmenden eine interaktive und praxisnahe Lernerfahrung ermöglichen und ihre Fähigkeiten in diesem Bereich fördern.
Künstliche Inteligenz- Grundlagen
- Themenfelder der künstlichen Intelligenz
- KI-Service-Plattformen
- Künstliche neuronale Netze
- Grundbeustein Neuron
- Architekturprinzipien
- ML - Machine Learning
- Algorithmen und Modelle
- Die Schritte in einem Machine-Learning-Projekt
- Machine-Learning-Verfahren
- Lernformen
- Machine-Learning-Algorithmen
- Training und Validierung des ML-Modells
- Das einfache neuronale Netz
- Deep Learning
- Einsatzgebiete und Anwendung
- Vom Problem zum KNN
- KNN -Modelle
- Mathematik neuronaler Netze
- Mehrschichtige neuronale Netze / Multilayer Perceptron
- Predictive Maintenance
- Maschinensimulation mit MLP
- Lernalgorithmus für Neuronen
- Backpropagation programmieren
- Implementierung
- Trainings und Testphase
- Batch-, inkrementelles und Mini-Batch-Training
- Lernprozess beim Backpropagatioin-Algorithmus
- Sequenzen und Rückkoppluung
- Architektur eines RNN
- Backpropagation Through Time
- Long-Short-Term Memory Networks
- Aufbau eines CNN
- Detektionsteil
- Indentifikationsteil
- Einbindung von ML-Frameworks in C#
- TensorFlow
- Keras
- Infer.NET
- ML.NET
- TensorFlow.NET
- Keras.NET
- NeuralNetwork.NET
- KI-Services
- Erstellen eines Lex-Chatbots für .NET
- Azure Cognetive Services
- Azure Machine Learning Studio
- Grundbeustein Neuron
- Predictive Analytics
- Bildklassifikation
- Visualle Muster erkennen
- Objekterkennung
- Neural Language Processing
- Stanford CoreNLP für .NET
- Sentiment-Analyse