Computer Vision: Bilderkennung und Bildanalyse mit Künstlicher Intelligenz
.svg)
.svg)
.svg)
Machine Lerning Engineer
1. Grundlagen der Computer Vision
- Warum Deep Learning für Computer-Vision-Aufgaben?
- Aufbau und Funktionsweise von Neuronalen Netzen
- Neuronale Netze in der Bildverarbeitung
2. Einführung in TensorFlow und Keras
- Funktionen und Zusammenarbeit der Frameworks
- Erstellen und Trainieren neuronaler Netze
3. Convolutional Neural Networks (CNN)
- Architektur und Funktionsweise von CNN
- Wie werden Bilddaten in CNN verarbeitet?
- Praxisübung: Bildklassifikation mit CNN durchführen
4. Bilddaten-Augmentation in der Praxis
- Das Konzept der Daten-Augmentierung
- Verschiedene Augmentierungstechniken
- Wie verbessere ich mein Modell mit Augmentierung?
5. Transfer Learning in der Bildklassifikation
- Motivation und Funktionsweise von Transfer Learning
- Verwendung vortrainierter Modelle
- Finetuning vortrainierter Modelle für spezifische Aufgaben
6. Erklärbare Bildklassifikation
- Motivation und Herausforderungen von Explainable AI
- Methoden, mit denen KI-Modelle erklärbar werden
- Praktische Beispiele für Anwendung und Umsetzung
7. Einführung in PyTorch
- Überblick über das PyTorch-Framework
- Vergleich zu TensorFlow und Keras
- Eine Praxisübung mit PyTorch
8. Objekterkennung
- Herausforderungen in der Objekterkennung
- Die YOLO-Architektur und ihre Anwendung
- Praxisübung: Objekterkennung auf eigenen Daten
9. Bildsegmentierung
- Überblick über Segmentierungsverfahren
- Bildsegmentierung mit CNN
- Image Retrieval mit Embeddings
10. Generative und multimodale KI
- Generative Adversarial Networks (GAN)
- Variational Autoencoder (VAE)
- Multimodale Large Language Models
- Verbindung von Bild- und Textdaten
Schneller Einstieg in Computer Vision: Du verstehst die wichtigsten Architekturen – von CNNs über YOLO bis zu Vision Transformern – und wählst für jede Aufgabe das optimale Modell aus.
Höhere Modellqualität: Durch Data-Augmentation, Transfer Learning und Explainable-AI-Techniken erhöhst du Präzision und Vertrauen in deine Ergebnisse.
Fundierte Technologie-Entscheidungen: Best-Practice-Vergleiche zwischen TensorFlow/Keras und PyTorch, verbunden mit Deployment-Optionen von Cloud bis Edge, geben dir eine klare Roadmap für eigene Projekte.
Robuste Produktionseinsätze: Du lernst, Domänenshifts zu erkennen, kleine Objekte verlässlich zu detektieren und Fehlalarme zu minimieren – essenziell für Industrie-, Medizin- und Retail-Anwendungen.
Unterstützung beim Lerntransfer: Cloud-Lab, Quellcode, Jupyter Notebooks und Deploy-Blueprint sichern den Transfer in deinen Arbeitsalltag.
Dieses Online-Seminar findet in einer Gruppe von maximal 12 Teilnehmenden über Zoom statt.
In einer cloudbasierten Laborumgebung arbeitest du direkt im Browser. Die Installation weiterer Software ist nicht erforderlich.
Interaktive Jupyter Notebooks dienen als Lernmaterial und Arbeitsumgebung. Sie enthalten Quellcode, Dokumentation und Links, während ein leistungsstarker GPU-Server das Training aktueller Modelle übernimmt.
Der Kurs wird in deutscher Sprache durchgeführt, die Kursunterlagen liegen durch den Fokus auf Programmierung größtenteils auf Englisch vor.
Für Fragen ist reichlich Zeit eingeplant – die individuelle Betreuung durch die Referent:innen ist garantiert.
In deiner Haufe-Akademie-Lernumgebung findest du nach der Anmeldung alle Informationen, Downloads und Extra-Services zu dieser Weiterbildung.
Software-Entwickler:innen, ML-Engineers, Data Scientists, Ingenieur:innen und IT-Berater:innen, die Bilddaten automatisiert auswerten oder visuelle Prüfungen digitalisieren wollen. Python-Grundkenntnisse werden vorausgesetzt. Vertieftes Data-Science-Wissen ist hilfreich, aber nicht zwingend erforderlich.
.svg)
