Data - AI Engineering mit Data
  • Verstehen Sie die Grundlagen neuronaler Netze und ihre Rolle bei der Lösung komplexer Datenprobleme.
  • Erfahren Sie, wie neuronale Netze zur Modellierung nichtlinearer Beziehungen in Daten verwendet werden.
  • Überblick über die grundlegenden Bausteine neuronaler Netze, einschließlich Knoten, Schichten und Gewichte.
Architektur neuronaler Netze
  • Untersuchen Sie verschiedene Arten neuronaler Netzarchitekturen wie Feedforward-, Faltungs- und rekurrente Netze.
  • Lernen Sie Aktivierungsfunktionen wie ReLU, Sigmoid und Tanh kennen und erfahren Sie, wie sie die Modellleistung beeinflussen.
  • Einführung in mehrschichtige Perzeptrons (MLP) und ihre Anwendungen in Klassifizierungs- und Regressionsaufgaben.
Training neuronaler Netze
  • Lernen Sie den Prozess des Trainings neuronaler Netze mithilfe von Backpropagation und Gradientenabstieg kennen.
  • Verstehen Sie, wie die Gewichte des Netzwerks durch Verlustfunktionen und Optimierungsalgorithmen optimiert werden können.
  • Praktische Erfahrung in der Abstimmung von Hyperparametern wie Lernraten und Stapelgrößen zur Verbesserung der Modellgenauigkeit.
Anwendungen neuronaler Netze in der Datenwissenschaft
  • Erkunden Sie reale Anwendungen neuronaler Netze in der Bilderkennung, Sprachverarbeitung und Verarbeitung natürlicher Sprache (NLP).
  • Erfahren Sie, wie neuronale Netze in Bereichen wie Gesundheitswesen, Finanzen und Marketing für Aufgaben wie prädiktive Analysen und Entscheidungsfindung eingesetzt werden.
  • Studieren Sie Fallbeispiele, wie neuronale Netze zur Lösung geschäftlicher Herausforderungen und zur Förderung von Innovationen eingesetzt werden.
Fortgeschrittene neuronale Netze
  • Erkunden Sie fortgeschrittene neuronale Netzwerkmodelle wie Convolutional Neural Networks (CNN) für die Bildanalyse und Recurrent Neural Networks (RNN) für sequentielle Daten.
  • Verstehen Sie die Rolle von Long-Short-Term-Memory-Netzwerken (LSTM) bei der Verarbeitung von Zeitreihendaten.
  • Erfahren Sie mehr über die Anwendung neuronaler Netze in generativen Modellen, wie z. B. generativen gegnerischen Netzwerken (GANs).

Der Kurs deckt die Architektur und das Training neuronaler Netze ab und bietet praktische Einblicke in Anwendungen und fortgeschrittene Modelle.