KI / Deep Learning Grundlagen mit dem Java basierten Framework DeepLearning4J

Achtung: Aufgrund der aktuellen Marktentwicklung und Nutzung empfehlen wir den Einsatz von TensorFlow für Deep Learning oder KI Projekte und bieten dazu unsere Schulung “KI / Deep Learning Grundlagen mit Python und dem Framework TensorFlow” an. 
Diese Schulung wird aus diesem Grund nur noch als individuelle Schulung angeboten.

KI oder Künstliche Intelligenz ist in aller Munde. Jedoch ist es vielen noch nicht klar, ob und wie man KI im beruflichen Alltag selber nutzen kann. Auch stellt sich die Frage, wie man als kleines oder mittleres Unternehmen – oder als freier Entwickler – solche Lösungen bezahlen kann? Oder ob es dazu vielleicht eben auch OpenSource-Lösungen oder Tools gibt, die man einsetzen kann?

Der Einstieg erfolgt über die Erläuterung der Grundbegriffe: maschinelles Lernen (ML), künstliche Intelligenz (KI) oder im englischen auch artificial intelligence (AI) genannt, neuronale Netzwerke (neural networks) und Deep Learning. Außerdem wird ein Blick auf die verschiedenen Formen und Entwicklungsstufen der KI geworfen und besprochen, welche Auswirkungen möglich sind.
Zunächst lernen Sie den prinzipiellen Aufbau eines neuronalen Netzwerks kennen. Was sind diese geheimnisvollen Schichten, was die tiefen Schichten? Was ist die Matrix, wie rechne und optimiere ich sie? Wieso brauche ich Big Data für das Trainieren und Testen des Netzwerkes? Das Netzwerk soll eindimensionale gestrichelte, gepunktete und durchgezogene Linien unterscheiden.

Nachdem die Grundlagen geklärt sind, bringen wir mit DeepLearning4J (DL4J) ein Framework zum Laufen, dass professionelle Anwendungen für künstliche Intelligenz und maschinelles Lernen erlaubt. DeepLearning4J (DL4J) ist in Java geschrieben und daher kompatibel zu jeder anderen Sprache die auf einer JavaVirtualMachine (JVM) kompatibel ist.
Für die schnellen mathematischen Operation wird eine native, hardwarenahe Bibliothek verwendet. Wir erkennen die Grundlagen wieder, wenn wir das Deep Learning konfigurieren. Dazu dienen vorgegebene Java-Befehle, die eine eigene Sprache bilden (deshalb können auch Nicht-Java-Programmierer damit zurechtkommen).
Man nennt so eine Sprache domain-specific (fachbereich-spezifisch), sie ist ähnlich der bekannten Konkurrenz TensorFlow. In dieser Konfigurations-Sprache geben wir die Art der Schichten an, die Art der Vernetzung und Lernalgorithmen wie Backprogagation an.

Das Netzwerk soll eine praxistaugliche Aufgabe lösen, zum Beispiel automatische Kontierung von Überweisungsdaten.

Dazu beschäftigen wir uns mit der Datenaufbereitung, auch Modellierung genannt. Wir brauchen Trainingsdaten, mit denen die KI gefüttert wird. Ein anderer Teil der Daten dient zum Testen, ob die geschichteten Neuronen gelernt haben.

Eine Diskussion über die Realisierung rundet den Kurs ab, Fragen wie: Kann ich eine App für mein Handy schreiben, wenn es einen KI-Chip hat? Reichen meine Daten mengenmässig aus für ein Projekt? Welche Vor- und Nachteile bietet TensorFlow gegenüber DeepLearning4J?