Deep Learning und neuronale Netze Grundlagen

Dieser Kurs bietet eine strukturierte Einführung in grundlegende Konzepte, mathematische Intuition und praktisches Modelldesign, um die Grundlagen für die Entwicklung von Deep Learning-Anwendungen zu verstehen. Sie lernen, wie neuronale Architekturen Muster aus komplexen Daten lernen und Vorhersagen treffen und sich an realistische Aufgaben anpassen. Was Sie erfahren: Sie entwickeln ein Verständnis für die Kernterminologie des maschinellen Lernens, Aktivierungsfunktionen und Schichtenstrukturen, erforschen Verlustoptimierung, Backpropagation-Algorithmen und Modelltrainingsdynamik. Erstellen Sie konvolutionale neuronale Netze für visuelle Muster und wiederkehrende Architekturen für sequentielle Daten. Wenden Sie moderne Deep-Learning-Verfahren mit PyTorch an, um Modelle zu erstellen und zu bewerten. Verstehen Sie moderne Transformatorgrundlagen und Vektoreinbettungsprinzipien. Üben Sie Modellvalidierung, Hyperparameter-Tuning und Strategien zur Vermeidung von Überanpassungen. Der Kurs beginnt mit grundlegenden Definitionen, bevor praktische schriftliche Übungen und ein Abschlussprojekt folgen. Dieses Programm ist auf Anfänger mit grundlegender Programmierkenntnis zugeschnitten, die in die Künstliche Intelligenz einsteigen möchten.