Visuelle Daten erfordern spezifische Methoden der Verarbeitung und Analyse. Dieser Kurs vermittelt theoretische und praktische Grundlagen für die Entwicklung von Deep Learning-Modellen im Bereich der Bildverarbeitung.

Datenvorbereitung und -management
  • Fokus auf der Nutzung von SQL zur strukturierten Aufbereitung großer Bilddatensätze
  • Erstellung und Vorbereitung von Trainingsdaten aus relationalen Datenquellen mittels optimierter Abfragen, Joins und Aggregationen für neuronale Netzwerke
  • Einsatz von Power BI zur Analyse und Darstellung von Trainingsmetriken und Modellverläufen
  • Erstellung interaktiver Dashboards und Nutzung von DAX-Funktionen zur Visualisierung von Modellgüte, Verlustfunktionen und Performance-Entwicklungen
  • Automatisierte Datenpipelines zur Verarbeitung und Strukturierung umfangreicher Bilddaten
  • Standardisierte Workflows zur Erhöhung der Datenqualität, Beschleunigung von Modelltrainings und Sicherstellung der Reproduzierbarkeit von Deep Learning-Prozessen

Analyse und Feature Engineering
  • Explorative Analysen mit statistischen Methoden und Feature Engineering-Techniken zur Identifizierung bildbasierter Merkmale
  • Auswahl relevanter Bildinformationen zur Verbesserung der Trainingsleistung und Unterstützung der Optimierung von Modellarchitekturen

Praktische Anwendung Computer Vision
  • Arbeit mit Convolutional Neural Networks (CNNs)
  • Training von Modellen für Klassifikationsaufgaben, Objekterkennung und Segmentierung
  • Evaluierung von Modellvarianten
  • Einsatz von Transfer Learning zur Umsetzung von Lösungen im Bereich Computer Vision