Neuronale Netzwerke verstehen und anwenden lernen
Programmstruktur und Themenbereiche
Grundlagen der Architektur
Verstehen Sie die Bausteine neuronaler Netzwerke: Layer, Aktivierungsfunktionen, Backpropagation und Optimierungsverfahren. Dieser Abschnitt erklärt, wie Netzwerke lernen und welche Komponenten dabei zusammenwirken.
EinsteigerConvolutional Networks
Erfahren Sie, wie CNN-Architekturen Bilddaten verarbeiten. Von klassischen Strukturen wie LeNet bis zu modernen Ansätzen wie ResNet werden verschiedene Designprinzipien und ihre praktischen Auswirkungen behandelt.
FortgeschrittenRecurrent Architectures
Lernen Sie sequenzielle Datenverarbeitung mit RNNs, LSTMs und GRUs kennen. Der Fokus liegt auf zeitlichen Abhängigkeiten und wie verschiedene Architekturen mit unterschiedlichen Sequenzlängen umgehen.
FortgeschrittenTransformer-Strukturen
Verstehen Sie Attention-Mechanismen und die Funktionsweise von Transformern. Dieser Bereich behandelt die Architektur moderner Sprachmodelle und ihre Anwendungsmöglichkeiten über NLP hinaus.
SpezialisiertGenerative Modelle
Erkunden Sie GANs, VAEs und Diffusionsmodelle. Sie lernen die unterschiedlichen Ansätze zur Datengenerierung kennen und wann welches Modell geeignet ist.
SpezialisiertOptimierung und Hyperparameter
Entwickeln Sie praktische Fähigkeiten zur Modelloptimierung. Von Learning Rates über Batch Sizes bis zu Regularisierungstechniken werden konkrete Strategien für bessere Trainingsergebnisse vermittelt.
AnwendungIhr Lernweg durch das Programm
Theoretische Grundlagen aufbauen
Beginnen Sie mit den mathematischen und konzeptionellen Grundlagen. Sie verstehen, wie neuronale Netzwerke funktionieren, bevor Sie sich spezifische Architekturen ansehen. Dieser Abschnitt dauert etwa drei Wochen und schafft die Basis für alles Weitere.
Klassische Architekturen analysieren
Studieren Sie bewährte Netzwerkstrukturen und ihre Entwicklung. Von einfachen Feed-Forward-Netzen bis zu komplexeren CNNs lernen Sie, wie sich Architekturen weiterentwickelt haben und welche Probleme sie jeweils lösen sollten.
Moderne Ansätze verstehen
Beschäftigen Sie sich mit aktuellen Entwicklungen wie Attention-Mechanismen und Transformer-Architekturen. Dieser Teil erklärt, wie neuere Ansätze bestehende Limitationen überwinden und neue Möglichkeiten eröffnen.
Praktische Implementierung üben
Wenden Sie das Gelernte in konkreten Projekten an. Sie implementieren verschiedene Architekturen, vergleichen ihre Performance und entwickeln ein Gefühl dafür, welche Strukturen für welche Aufgaben geeignet sind.
Eigene Architekturen entwickeln
Kombinieren Sie verschiedene Techniken und passen Sie Architekturen an spezifische Anforderungen an. Sie lernen, informierte Designentscheidungen zu treffen und Ihre Ansätze zu begründen.
Kompetenzen nach Abschluss
Das Programm vermittelt praktisches Wissen über neuronale Netzwerke. Nach Abschluss können Sie verschiedene Architekturen verstehen, bewerten und für eigene Projekte anpassen. Die Prozentangaben zeigen die durchschnittliche Vertrautheit mit jedem Bereich am Ende des Kurses.
Kursbetreuung und Expertise
Das Programm wird von Fachleuten mit praktischer Erfahrung in verschiedenen Bereichen des Machine Learning betreut. Jeder bringt spezifisches Wissen und unterschiedliche Perspektiven auf Netzwerkarchitekturen ein.
Henrik Lindström
Computer Vision
Spezialisiert auf CNN-Architekturen und deren Anwendung in der Bildverarbeitung. Arbeitet seit Jahren an Optimierungen für verschiedene Hardware-Plattformen.
Tatjana Kovalenko
NLP und Transformer
Fokussiert auf moderne Sprachmodelle und Attention-Mechanismen. Hat mehrere Projekte zur Textverarbeitung mit unterschiedlichen Transformer-Varianten geleitet.
Fergus MacLeod
Generative Modelle
Erforscht verschiedene Ansätze zur Datengenerierung, von GANs bis zu Diffusionsmodellen. Interessiert sich besonders für praktische Anwendungen kreativer KI-Systeme.
Eleni Papadopoulos
Modelloptimierung
Konzentriert sich auf Trainingsstrategien und Hyperparameter-Tuning. Hat umfangreiche Erfahrung damit, Modelle effizienter und stabiler zu machen.