Zurück

Generative Adversarial Networks – GANs

Ein sehr spannendes Feld im Bereich Artificial Intelligence sind GANs bzw. Generative Adversarial Networks. Hier kombiniert man im Prinzip zwei konkurrierende Netze, die sich gegenseitig auf ein bestimmtes Ziel hin optimieren. Diese Netze sind so in der Lage, neue Inhalte zu erzeugen – man kann damit einen Rechner gewissermaßen kreativ werden lassen. Dadurch lassen sich Bilder, Texte, Musik und vieles mehr erzeugen. Es gibt sogar Anwendungsfälle in denen man mit GANs mögliche Marktszenarien an der Börse generiert.

Dieses Training richtet sich an GAN-Einsteiger mit Grundkenntnissen in Python und neuronalen Netzen. Gemeinsam werden wir Autoencoder und GANs kennenlernen und uns anschauen wie diese implementiert werden können.

Die Beispielaufgaben, werden wir zusammen in der Cloud ausführen. Ihr braucht ein Notebook mit WLAN und einen halbwegs aktuellen Browser.

TECHNISCHE ANFORDERUNGEN:

Teilnehmer benötigen ein eigenes Notebook und einen Google Account um auf colab Instanzen zugreifen zu können.

Vorkenntnisse

* Grundkenntnisse in Python
* Grundkenntnisse Jupyter Notebooks
* Grundkenntnisse in Neuronalen Netzen
* Erfahrung mit PyTorch oder TensorFlow/Keras

Lernziele

* GANs kennenlernen / Einsatzmöglichkeiten
* Implementierung von GANs
* Trainieren von GANs
* GANs auf Text- und Bilddaten anwenden können

Agenda

Kennenlernen (ca. 15 Minuten)

Kurze Vorstellung
Sammeln von Problemstellungen aus der Praxis (Wo wollt ihr ein GAN einsetzen?)

Teil 1 (Theorie, ca. 45 Minuten)

Was sind Autoencoder, was kann man damit machen?
Was sind GANs?
Wie trainiere ich GANs?
Welche GANs gibt es? (WGAN, PGAN, StyleGan, CycleGAN, etc.)
Wofür kann man sie einsetzen? (Beispiele)

Teil 2 (Praxis, ca. 1 Stunde)

Praxisbeispiel mit Bilddaten
Wir trainieren ein GAN um neue Bilder zu erzeugen. ((Aufgrund der langen Trainingszeiten beschränken wir uns auf sehr kleine Bilder)

Teil 3 (Praxis, ca. 1 Stunde)

Praxisbeispiel mit Textdaten
Wir verwenden generative Modelle, um Texte zu erzeugen (Abgrenzung von GANs).

Abschluss

Wo geht’s hin mit GANs?
Sammeln kreativer Ideen nach dem Workshop.

Speaker

Nico Axtmann entwickelt als Machine Learning Engineer datengetriebene Produkte und Lösungen. Derzeit konzentriert er sich vor allem auf die Inbetriebnahme von Modellen in produktiven Umgebungen.

Oliver Moser ist begeisterter Computer-Visionär und Deep Learner. Er konzentriert sich in den letzten Jahren hauptsächlich auf Computer Vision, Künstliche Intelligenz, (AWS) Cloud, Big Data und IT-Security-Themen. Außerdem hat er das codecentric AI Bootcamp mit entwickelt.

Jetzt Tickets sichern

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