Ziel des Kurses ist es, den Teilnehmern die Welt des Deep Learning unter Verwendung der Programmiersprache Python und der TensorFlow-Bibliothek näherzubringen. Der Kurs untersucht grundlegende neuronale Netzwerkkonzepte wie Aktivierungsfunktionen, Parameteroptimierung und Verhinderung von Überanpassung.
Die Teilnehmer lernen, Deep-Learning-Modelle aufzubauen, zu optimieren und in praktischen Situationen anzuwenden. Der Kurs behandelt auch Möglichkeiten zur Reduzierung von Überanpassungen und die Anwendung des gewonnenen Wissens zur Lösung klassischer Probleme des maschinellen Lernens.
• Das Konzept und die Funktionsweise neuronaler Netze sowie deren theoretische Grundlagen.
• Hauptkonzepte und Begriffe, die im Zusammenhang mit neuronalen Netzen verwendet werden.
• Strategien und Techniken zur Optimierung der Parameter neuronaler Netze, um die gewünschte Leistung zu erzielen.
• Verwendung des Tensorflow-Frameworks und praktische Anwendung zum Aufbau einer Anwendung basierend auf neuronalen Netzen.
• Die verschiedenen Methoden zur Reduzierung der Überanpassung und ihre Bedeutung im Kontext neuronaler Netze.
• Wie man das im Kurs erworbene Wissen anwendet, um praktische Probleme im Zusammenhang mit neuronalen Netzen zu lösen.
- Grundlegende Programmierkenntnisse in Python (Datenstrukturen und Kontrollfluss).
- Grundlagen der linearen Algebra und Differentialrechnung.
- Ein Verständnis grundlegender Konzepte des maschinellen Lernens.
- Erfahrung mit Python-Bibliotheken für maschinelles Lernen wie NumPy, Pandas und Scikit-learn.
- Grundkenntnisse neuronaler Netze.
• Was sind neuronale Netze und was steckt dahinter?
• Grundkonzepte neuronaler Netze
• Wie man die Parameter neuronaler Netze optimiert
• Sich mit Tensorflow vertraut machen und eine praktische Anwendung durchführen
• Die wichtigsten Möglichkeiten zur Reduzierung der Überanpassung
• Das erworbene Wissen in die Praxis umsetzen
Derzeit gibt es keine Empfehlungen.
Nach diesem Kurs erhalten Sie ein Abschlusszertifikat.
