Grundlagen des Deep Learnings in TensorFlow und PyTorch
Dieser Kurs richtet sich an Einsteiger:innen im Bereich Deep Learning, die eine solide Grundlage der wichtigsten Konzepte suchen, die für die Erstellung von Deep-Learning-Modellen mit bekannten Methoden erforderlich sind. Der Kurs geht davon aus, dass Sie zuvor keine umfangreichen Erfahrungen mit neuronalen Netzen und Deep Learning gemacht haben und beginnt mit einer Übersicht über die für Deep Learning erforderlichen Grundlagen des maschinellen Lernens. Dann wird erklärt, wie man Daten durch Bereinigung und Vorverarbeitung für Deep Learning vorbereitet, und es werden nach und nach neuronale Netze und die überwachten neuronalen Netzarchitekturen wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Generative Adversarial Networks (GANs) sowie unüberwachte Architekturen wie Autoencoder (AEs), Variational Autoencoder (VAEs) und Restricted Boltzmann Machines (RBMs) und Transformer vorgestellt.
Zu den praktischen Anwendungen werden die Klassifizierung von Texten in vordefinierte Kategorien, die syntaktische Analyse, die Stimmungsanalyse, die synthetische Generierung von Text und das Tagging von Sprachbestandteilen behandelt. Im Rahmen der Bildverarbeitung werden die Klassifizierung von Bildern in verschiedene Kategorien und der fortgeschrittenen Objekterkennung mit zugehörigen Bildkommentaren sowie die Generierung von Bildern mithilfe von Autoencodern und GANs in Programmcode (Python) umgesetzt.