Alle Lernmaterialien für deinen Kurs Deep Learning

In dieser Vorlesungseinheit werden die Grundlagen neuronaler Netzwerke behandelt und ihre Funktionsweise detailliert erklärt.

• Grundkonzepte von Neuronen und Schichten
• Vorwärts- und Rückwärtspropagation
• Gradientenabstieg und Optimierungstechniken
• Überanpassung und Regularisierung
• Anwendungsfälle und praktische Implementierungen

Dieser Abschnitt konzentriert sich auf Convolutional Neural Networks (CNNs), die speziell für die Bildverarbeitung und ähnliche Aufgaben entwickelt wurden.

• Konzept und Architektur von CNNs
• Convolutional und Pooling Schichten
• Feature-Extraktion und Aktivierungsfunktionen
• Anwendung von CNNs in der Bilderkennung
• Transfer Learning mit vortrainierten Modellen

Hier lernst Du die Rekurrenten Neuronalen Netzwerke (RNNs) und deren Anwendung in Sequenzdaten kennen.

• Grundlagen und Architektur von RNNs
• Langzeitabhängigkeiten und Schwierigkeiten damit
• LSTM- und GRU-Architekturen
• Anwendungen in der Sprachverarbeitung
• Zeitreihenanalyse mit RNNs

Dieser Teil der Vorlesung führt Dich in die unüberwachten Lernmethoden ein, die ohne gelabelte Daten arbeiten.

• Grundprinzipien des unüberwachten Lernens
• Clustering-Methoden wie k-Means und Hierarchisches Clustering
• Dimensionenreduktionstechniken, z.B. PCA und t-SNE
• Autoencoder und ihre Anwendungen
• Anomalieerkennung mit unüberwachten Methoden

In diesem Abschnitt erfährst Du mehr über Deep Reinforcement Learning (DRL) und seine Bedeutung für Entscheidungsprozesse und Automatisierung.

• Grundlagen des Verstärkungslernens
• Markov-Entscheidungsprozesse (MDPs)
• Q-Learning und Deep Q-Networks (DQNs)
• Strategien zur Exploration und Exploitation
• Anwendungen von DRL in Spielen und autonomer Steuerung