Die Weiterbildung Deep Learning und Neuronale Netze vermittelt technische und analytische Kompetenzen zum Aufbau, Training und zur Bewertung lernender Modellstrukturen. Die Inhalte werden entlang von Netzwerkgrundlagen, Architekturverständnis und praktischer Modelloptimierung strukturiert aufgebaut.
Neuronale Netzwerke- Grundprinzipien künstlicher neuronaler Netze einordnen
- Neuronen, Schichten und Gewichtungen fachlich verstehen
- Aktivierungsfunktionen und Lernprozesse nachvollziehen
- Eingabe-, Ausgabe- und Zielwerte für Modelle definieren
Deep-Learning-Architekturen
- Mehrschichtige Netzwerke systematisch aufbauen
- CNN-, RNN- und Transformer-Ansätze unterscheiden
- Architekturen für Bild-, Text- und Sequenzdaten einordnen
- Modellstrukturen an konkrete Aufgabenstellungen anpassen
Training und Modellsteuerung
- Trainingsdaten vorbereiten und Modellläufe durchführen
- Loss-Funktionen und Optimierungsverfahren anwenden
- Hyperparameter prüfen und gezielt verändern
- Überanpassung erkennen und Gegenmaßnahmen einsetzen
Evaluation und Anwendung
- Modellergebnisse anhand geeigneter Metriken bewerten
- Fehlerquellen in Daten und Modellverhalten analysieren
- Trainierte Modelle dokumentieren und vergleichen
- Einsatzmöglichkeiten neuronaler Netze fachlich ableiten
Die Weiterbildung befähigt zur Entwicklung, Anpassung und Bewertung neuronaler Netzwerke in Deep-Learning-Anwendungen.