In dieser Weiterbildung erarbeiten Sie sich fundierte Kenntnisse im Bereich des Deep Learning mit Fokus auf neuronale Netze. Sie lernen, neuronale Netze zu konzipieren, zu trainieren und für verschiedene Anwendungen einzusetzen. Ein besonderer Schwerpunkt liegt auf der praktischen Anwendung von TensorFlow, einem führenden Framework für neuronale Netze. Sie setzen sich mit den Grundlagen von neuronalen Netzen auseinander und verstehen deren Aufbau und Funktionsweise. Sie lernen, neuronale Netze mit TensorFlow zu implementieren und zu optimieren. Zudem erwerben Sie Kenntnisse in der Datenvorbereitung und -verarbeitung, um neuronale Netze effektiv zu trainieren. Ein weiterer Fokus liegt auf der Anwendung von neuronalen Netzen in Bereichen wie Bild- und Spracherkennung. Durch praktische Übungen und Projekte wenden Sie das erlernte Wissen direkt an. Sie trainieren neuronale Netze mit realen Datensätzen und analysieren die Ergebnisse, um ein tiefgehendes Verständnis für die Leistungsfähigkeit und Grenzen von neuronalen Netzen zu entwickeln. Nach Abschluss der Weiterbildung sind Sie in der Lage, neuronale Netze eigenständig zu entwickeln und in verschiedenen Anwendungsfeldern einzusetzen. Sie können komplexe Datenmuster erkennen und darauf basierende Vorhersagemodelle erstellen, was Ihre Fähigkeiten im Bereich des maschinellen Lernens erweitert.

Grundlagen des Deep Learning und TensorFlow
  • Kenntnisse im Bereich neuronale Netze
  • Installation und Einrichtung von TensorFlow
  • Grundlegende Verwendung von TensorFlow mit Fokus auf neuronale Netze
  • Neuronale Netze: Aufbau und Funktionsweise
  • Backpropagation: Grundlagen und Anwendung bei neuronalen Netzen

Modelle und Methoden in Deep Learning
  • Erstellen von Machine-Learning-Modellen mit Keras unter Berücksichtigung von neuronalen Netzen
  • Erstellen von FCN- und CNN-Modellen mit Keras
  • Anwendungen aus dem Bereich neuronale Netze beim Erstellen von RNN-Modellen mit Keras
  • Convolutional Neural Networks (CNN) und Faltungsschichten
  • Rekurrente neuronale Netze für variable Datenstrukturen

Optimierungsstrategien und Overfitting
  • Regularisierung und Vermeidung von Overfitting bei neuronalen Netzen
  • Dropout-Verfahren: Warum es funktioniert
  • Batch- und stochastischer Gradientenabstieg mit Blick auf neuronale Netze
  • Gradientenabstieg: Lernen in neuronalen Netzen
  • Softmax-Berechnung und Aktivierungsfunktionen im Kontext neuronaler Netze

Anwendungen und Problemlösungen mit TensorFlow
  • Sprachverarbeitung mit neuronalen Netzen (NLP)
  • Verwendung von Keras
  • Yolo-Modelle in TensorFlow im Zusammenhang mit neuronalen Netzen
  • Analyse von Machine Learning in TensorFlow
  • Problemlösung für nicht funktionierende Modelle mithilfe von neuronalen Netzen