Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
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