AI Deep Learning og Neurale Netværk
Beskrivelse
Deep Learning er i dag kernen i mange af de mest banebrydende AI-løsninger – fra billedgenkendelse til avanceret dataanalyse. Dette kursus giver dig en praktisk, hands-on indføring i neurale netværk og gør dig i stand til selv at bygge, træne og evaluere deep learning-modeller i Python.
Vi starter med grundprincipperne i neurale netværk, herunder hvordan input, trænede vægte og aktiveringsfunktioner spiller sammen, og hvordan non-lineære aktiveringsfunktioner gør det muligt at lære komplekse mønstre i data. Du får et overblik over de vigtigste arkitekturer – feedforward modeller, MLP og CNN – så du ser, hvor deep learning bruges i praksis.
Herefter arbejder vi hands-on med et moderne framework: typisk TensorFlow/Keras (pga. dets brugervenlige high-level API), men vi ser også eksempler i PyTorch, som er meget udbredt i forskning og industri. Du bygger dine egne modeller fra bunden, træner dem på datasæt fra bl.a. MNIST, og lærer at forstå nøglebegreber som epochs, batch size, optimizers og loss functions.
Vi dykker derefter ned i teknikker til at forbedre modellerne, herunder regularisering (dropout, L2), early stopping og brug af valideringsdata. Du lærer også at tune hyperparametre og bruge værktøjer som TensorBoard til at visualisere og optimere træningen.
Endelig introducerer vi interpretability og ansvarlig brug, hvor du lærer at anvende metoder som SHAP og LIME til at forklare modeladfærd og diskutere udfordringer ved at sætte deep learning i produktion.
Efter kurset kan du:
- Forklare hvordan neurale netværk er opbygget og trænes
- Implementere deep learning-modeller med TensorFlow/Keras og PyTorch
- Løse billed- og tekstklassifikationsopgaver med moderne netværksarkitekturer
- Bruge regularisering, hyperparameter-tuning og visualisering til at optimere modeller
- Forklare modeladfærd med SHAP/LIME og diskutere ansvarlig brug i praksis
Certificeringspakker
Moduloversigt
- Modul 1Fundamentals of Neural Networks
- From input to output: forward propagation
- Activation functions, model layers, and non-linearity
- Types of networks: feedforward, MLP, and CNN
- Modul 2Deep Learning with Keras and PyTorch
- Building sequential models: layers, optimizer, loss, epochs
- Training and evaluation on example datasets (e.g., MNIST)
- Visualizing training and adjusting parameters
- Modul 3Overfitting and Regularization
- Dropout, L2 regularization, and early stopping
- Using validation data and learning curves
- Hands-on: reduce overfitting in your model
- Modul 4Image Recognition with Convolutional Neural Networks
- Convolution and pooling (Average Pooling, Max Pooling)
- Architecture and design of simple CNN models
- Case: classification with CIFAR-10 or Fashion-MNIST
- Modul 5Transfer Learning
- Using pre-trained models as a starting point for new tasks (e.g., image or text classification)
- Fine-tuning the final layers of a neural network to adapt to your own data
- Practical examples with TensorFlow
- Modul 6Hyperparameter Tuning and Performance Optimization
- Batch size, learning rate, number of layers/neurons
- TensorBoard or similar tools
- Experiments and visualization of results
- Modul 7Explainability and Responsible Use
- Gaining insights into model decisions
- Using SHAP/LIME for model explanation
- Considerations when applying deep learning in production
- Modul 8Model Persistence and Deployment
- Saving and reloading models with Keras (.h5) or PyTorch (.pt)
- Handling model architecture vs. weights
- Simple integration into applications (e.g., REST API with Flask or batch jobs)
Er du i tvivl?
Det ligger os meget på sinde, at du finder det kursusforløb, der skaber størst værdi for dig og din arbejdsplads. Tag fat i vores kursusrådgivere, de sidder klar til at hjælpe dig!
