Deep Learning

Deep Learning hat in den letzten Jahren große Fortschritte in der Anwendung von Künstlicher Intelligenz ermöglicht. In diesem Modul behandeln wir einige dieser Anwendungen, etwa Variational Autoencoders und Generative Adversarial Networks.

Lernergebnisse

Die Studierenden kennen die theoretischen Grundlagen künstlicher neuronaler Netze und verstehen, wie man künstliche neuronale Netze in der Praxis verwendet. Sie sind in der Lage, Aufgaben wie die Erkennung von Ziffern oder die Klassifikation von Bildern mithilfe von DeepLearning Bibliotheken selbstständig zu lösen.

Inhalte

• Deep Learning und Künstliche neuronale Netze (KNN)
• Trainingsalgorithmen für KNN
• Bewertungsverfahren für die Modellgüte
• Spezielle Typen von KNN: Convolutional Neural Networks, Recurrent Neural Networks
• Training von CNNs
• Training von RNNs mit LSTM
• Werkzeuge für Deep Learning
• Praktische Beispiele: MNIST Datensatz, ImageNet