Neuronale Netze – Konzeption und Nutzung
Zielgruppe: | Studierende | |
Programm: | Tech | |
Autor/in: | Cedric Mössner | |
Arbeitsaufwand: | ≈ 5 Stunden | |
Kursbeginn: | Flexibel | |
Format: | Selbstlernkurs | Einschreiben |
Was kannst Du in diesem Kurs lernen?
- Du verstehst, welche Arten der KI es gibt und wann welche genutzt werden.
- Du kannst nachvollziehen, wie neuronale Netze arbeiten und was die Vor- und Nachteile von neuronalen Netzen sind.
- Du kannst einordnen, welche Arten von neuronalen Netzen wann sinnvoll sind.
- Du kannst neuronale Netze in einem ersten Entwurf selbst erstellen und überprüfen, wie diese abschneiden.
Gliederung
Kapitel 1 Big Data
1.1 Big Data und alles was möglich ist
1.2 Klassifikation vs. Regression
1.3 Überwachte und unüberwachte Verfahren
1.4 Semi-supervised Learning
1.5 Fehlerminimierung
1.6 Overfitting
1.7 Abstandsmaße
1.8 Ein Beispieldatum
Kapitel 2 Der EM-Algorithmus
2.1 Der EM-Algorithmus
2.2 Evolutionäre Algorithmen
2.3 Reinforcement Learning
Kapitel 3 Neuronale Netze
3.1 Neuronale Netze
3.2 Warum erst seit 2009?
3.3 Modell eines neuronalen Netzes
3.4 Workflow
3.5 Errorfunktion
3.6 Berechnung innerhalb eines Neurons
3.7 Aktivierungsfunktionen
3.8 Batches und Epochen
3.9 Lernraten
Kapitel 4 Tiefe Neuronale Netze
4.1 Tiefe Neuronale Netze
4.2 ConvolutionalNeuronal Networks
4.3 Rekurrente Neuronale Netze
4.4 Long Short-Term Memory
4.5 Auto-Encoder
4.6 Generative Adversarial Networks
4.7 Tatsächliche Architekturen
4.8 Spiking Neural Networks
Kapitel 5 Deep Learning Studio Installation
5.1 Deep Learning Installation
5.2 Das Deep Learning Studio - Ein erstes Projekt und der Workflow des DLS
5.3 Datenvorbereitung für das eigene Projekt
5.4 Das neuronale Netz für Pneumonie Diagnose
Teilnahmebestätigung
In diesem Kurs kannst du Badges und ein Weiterbildungszertifikat erhalten.