Schulungsübersicht

Einführung in multimodale AI

  • Das Verständnis multimodaler Daten
  • Schlüsselkonzepte und Definitionen
  • Geschichte und Entwicklung des multimodalen Lernens

Multimodale Datenverarbeitung

  • Datenerfassung und Vorverarbeitung
  • Merkmalsextraktion aus verschiedenen Modalitäten
  • Techniken zur Datenfusion

Multimodales Repräsentationslernen

  • Lernen gemeinsamer Repräsentationen
  • Modalübergreifende Einbettungen
  • Modalitätsübergreifendes Transferlernen

Multimodaler Abgleich und Übersetzung

  • Abgleich von Daten aus mehreren Modalitäten
  • Modalitätsübergreifende Abfragesysteme
  • Übersetzung zwischen Modalitäten (z. B. Text zu Bild, Bild zu Text)

Multimodale Schlussfolgerungen und Inferenz

  • Logik und Schlussfolgerungen mit multimodalen Daten
  • Inferenztechniken in multimodaler KI
  • Anwendungen bei der Beantwortung von Fragen und der Entscheidungsfindung

Generative Modelle in der multimodalen KI

  • Generative Adversarial Networks (GANs) für multimodale Daten
  • Variationale Autoencoder (VAEs) für cross-modale Generierung
  • Kreative Anwendungen von generativer multimodaler AI

Multimodale Fusionstechniken

  • Frühe, späte und hybride Fusionsmethoden
  • Aufmerksamkeitsmechanismen in der multimodalen Fusion
  • Fusion für robuste Wahrnehmung und Interaktion

Anwendungen von multimodaler AI

  • Multimodale Mensch-Computer-Interaktion
  • KI in autonomen Fahrzeugen
  • Anwendungen im Gesundheitswesen (z. B. medizinische Bildgebung und Diagnostik)

Ethische Überlegungen und Herausforderungen

  • Voreingenommenheit und Fairness in multimodalen Systemen
  • Bedenken hinsichtlich des Datenschutzes bei multimodalen Daten
  • Ethischer Entwurf und Einsatz von multimodalen KI-Systemen

Fortgeschrittene Themen in multimodaler KI

  • Multimodale Transformatoren
  • Selbstüberwachtes Lernen in multimodaler KI
  • Die Zukunft des multimodalen maschinellen Lernens

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von künstlicher Intelligenz und maschinellem Lernen
  • Beherrschung der Python-Programmierung
  • Vertrautheit mit dem Umgang mit Daten und deren Vorverarbeitung

Zielgruppe

  • KI-Forscher
  • Datenwissenschaftler
  • Ingenieure für maschinelles Lernen
 21 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Kommende Kurse

Verwandte Kategorien