Für die Auswertung materialwissenschaftlicher und werkstoffkundlicher Daten wird Künstliche Intelligenz in Form des Maschinellen Lernens mit Hilfe von Deep Learning immer wichtiger. Während die Verarbeitung reiner Bilddaten mittels standardisierter Techniken und Architekturen recht einfach bewältigt werden kann, ist die in der wissenschaftlichen und industriellen Praxis häufig anzutreffende Mischung verschiedener Datenarten etwas anspruchsvoller.
In dieser Vertiefungsfortbildung bieten wir Ihnen einen praxisorientierten Einstieg in neuronale Netwerke zur Analyse hybrider materialwissenschaftlichen Daten, d.h. Daten, die z.B. Bilddaten mit tabellarischen Daten kombinieren oder Bilddaten unterschiedlicher Modalitäten oder Skalen verbinden.
Zur erfolgreichen Teilnahme an der Schulung setzen wir grundlegende Kentnisse im Deep Learning mittels PyTorch und FastAI sowie grundlegende Programmierkenntnisse in z.B. Python voraus. Die Schulung setzt auf unserem Kurs „Deep Learning: Grundlagen und Anwendungen auf materialwissenschaftliche Beispiele“ auf und setzt die dort vermittelten Inhalte voraus.