Deep Learning

Einführung Deep Learning (ca. 1 Tag)

Deep Learning als eine Art von Machine Learning

Grundlagen in neuralen Netzen (ca. 3 Tage)

Logistische Regression
Perceptron
Deep MLP
Backpropagation
Stochastischer Gradientenabstieg (SGD)
Adam Optimization Algorithm
Überanpassung Lernkurve
Regularisierung
Hyperparameter
Hyperparameteranpassung

Frameworks (ca. 1 Tag)

TensorFlow
Keras
Pytorch

Convolutional Neural Network (CNN) (ca. 3 Tage)

Das Problem von Bildklassifizierung
ImageNet
Faltungsoperation
CNN Schichten
Max Pooling
ReLU (Rectified Linear Unit)
CNN Architekturen
AlexNet
CNN für Regressionsprobleme

Transfer Learning (ca. 1 Tag)

Unsupervised Pretraining
CNN und klassische Algorithmen

Fortgeschrittene CNNs (ca. 1 Tag)

MobileNet
Regionale CNN (R-CNN)
Explainable Al
ResNet (Residual Neural Network)
Skip Layers

Recurrent Neural Networks (RNN) (ca. 2 Tage)

Sequenzanalyse
Themen in NLP
Language Models
RNN Anwendungen in NLP
Vanilla-RNN
Backpropagation through time (BPTT)
Vanishing gradient
Exploding gradient

Gated RNN (ca. 1 Tag)

LSTM (Long Short-Term Memory)
GRU (Gated Recurrent Unit)
Deep RNN
Deep LSTM

Seq2seq (ca. 1 Tag)

Encoder-Decoder
Architektur
Dropout
Batch normalization
Chatbots

Transformers (ca. 1 Tag)

BERT, GPT-2
Transfer Learning in NLP

Generative Modelle (ca. 2 Tage)

Generative Adversarial Networks (GAN)
Deepfake
Sampling
Anwendungen von GANs
Bayessche Netze

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse