Artikel

FORTBILDUNG: Maschinelles Lernen - Grundlagen und Anwendungen auf materialwissenschaftliche Beispiele

Die Fortbildung vom 8. bis 12. März 2021 steht unter der fachlichen Leitung von Dr.-Ing. Tim Dahmen, DFKI GmbH.

 

Für die Auswertung materialwissenschaftlicher und werkstoffkundlicher Daten, vor allem für Bilddaten, wird Künstliche Intelligenz in Form des Maschinellen Lernens mit Hilfe von Deep Learning immer wichtiger. In dieser Fortbildung bieten wir Ihnen einen praxisorientierten Einstieg in faltungsbasierte neuronale Netwerke (Convolutional Neural Networks) zur automatischen Analyse von materialwissenschaftlichen Daten. Der Fokus wird auf der Klassifizierung und Segmentierung von Bilddaten und Tabellendaten liegen.

Ziel ist es, dass die Teilnehmer Möglichkeiten und Probleme kennen und anwenden lernen, um die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren zu können.

 

Themen und Inhalte

  • Deep Learning als Methode des Maschinellen Lernens – Grundlagen und Übersicht
  • Von der Materialwissenschaft zum Deep Learning – Beispiele und Anwendungen
  • Verarbeitung tabellarischer Daten mit Künstlichen Neuralen Netzen
  • Übung I: Entwicklung eines Convolutional Neural Network (CNN) zur Klassifizierung von Tabellendaten
  • Verarbeitung materialwissenschaftlicher Bilddaten mittels Faltungsbasierter Neuronaler Netze
  • Übung II: Entwicklung Faltungsbasierter Neuronaler Netze (CNN) zur Klassifikation von Bilddaten
  • Übung III: U-Net Architekturen zur Segmentierung materialwissenschaftlicher Bilddaten
  • Manuelle und Synthetische Erzeugung von Trainingsdaten
  • Zusammenfassung

 

Ihr Nutzen

  • Nach einer kurzen Einführung, welche mathematisch nicht in die Tiefe geht, werden gemeinsam Anwendungsbeispiele von Deep Learning entwickelt.
  • Sie lernen, wie man mit Hilfe von Python und geeigneten Bibliotheken Neuronale Netzwerke implementieren und anwenden kann. Der Fokus liegt dabei auf der eigenständigen Anwendung der erarbeiteten Modelle.
  • Durch eigenaktives Ausführen und Ändern der zur Verfügung gestellten Skripte können Sie das Erlernte direkt praktisch anwenden.
  • Nach der Teilnahme kennen Sie die Möglichkeiten und Problemstellungen des Maschinellen Lernens, so dass Sie die gelernten Inhalte auf eigene Daten effizient übertragen und adaptieren können.

 

Zielgruppe

Ideale Voraussetzungen für eine erfolgreiche Teilnahme an der Fortbildung sind grundlegende Programmierkenntnisse in Python, Matlab oder anderen Programmiersprachen. Die Vorkenntnisse umfassen unter anderem: Variablen und zugehörge arithmetische Operationen, Funktionen, Fallunterscheidungen, Kontrollstrukturen). Weiterhin sind Mathematik Grundkenntnisse hilfreich. Beispielsweise sollten Sie eine Vorstellung zu den Stichworten Vektor, lineare Abhängigkeit, Gradient und Nichtlinearität haben.

Weitere Informationen zu den Inhalten und den Preisen dieser Fortbildung finden Sie hier.

 

Weitere Termine (u.a.): 17. bis 21. Mai 2021, 13. bis 17. September 2021.

Bei Fragen stehen wir Ihnen gerne unter fortbildung@dgm-inventum.de zur Verfügung.