Deep Learning Specialization

Deep Learning Spezialisierungs-Training

Dieser umfassende Kurs vermittelt das Wissen und die Fähigkeiten, um Deep-Learning-Tools effektiv mit KI/ML-Frameworks einzusetzen. Sie werden die grundlegenden Konzepte und praktischen Anwendungen des Deep Learnings erkunden und ein klares Verständnis der Unterschiede zwischen Deep Learning und Machine Learning entwickeln. Der Kurs behandelt eine breite Palette von Themen, darunter neuronale Netzwerke, Vorwärts- und Rückwärtspropagation, TensorFlow 2, Keras, Techniken zur Leistungsoptimierung, Modellinterpretierbarkeit, Convolutional Neural Networks (CNNs), Transfer Learning, Objekterkennung, Recurrent Neural Networks (RNNs), Autoencoder und das Erstellen von neuronalen Netzwerken in PyTorch. Am Ende des Kurses haben Sie eine solide Grundlage in den Prinzipien des Deep Learnings und die Fähigkeit, Deep-Learning-Modelle effektiv mit Keras und TensorFlow zu erstellen und zu optimieren.

Hauptmerkmale

• Kurs und Material in Englisch

• Mittelstufe - Fortgeschrittenes Niveau

• 1 Jahr Zugang zur Plattform & Aufzeichnungen der Klassen

• 6 Stunden Video-Lektionen

• 40 Stunden Online-Live-Kurs

• 50 Stunden empfohlene Studienzeit

• 3 Projekte am Ende des Kurses

• Virtuelles Labor zur praktischen Übung

• 1 Assessment-Test

• Kein Examen, aber Zertifikat über den Kursabschluss

Lernziele:

• Unterscheiden zwischen Deep Learning und Machine Learning und verstehen der jeweiligen Anwendungen.

• Ein gründliches Verständnis der verschiedenen Arten von neuronalen Netzwerken erlangen.

• Die Konzepte der Vorwärts- und Rückwärtspropagation in Deep Neural Networks (DNNs) beherrschen.

• Einblicke in Modellierungstechniken und Leistungsverbesserungen im Deep Learning gewinnen.

• Die Prinzipien der Hyperparameter-Tuning und Modellinterpretierbarkeit verstehen.

• Wichtige Techniken wie Dropout und Early Stopping kennenlernen und effektiv umsetzen.

• Expertise in Convolutional Neural Networks (CNNs) und Objekterkennung entwickeln.

• Ein solides Verständnis von Recurrent Neural Networks (RNNs) erlangen.

• Vertrautheit mit PyTorch gewinnen und lernen, wie man neuronale Netzwerke mit diesem Framework erstellt.

Zielgruppe

• Software-Ingenieure & Entwickler – Personen, die KI und Deep Learning in ihre Projekte integrieren möchten.

• Data Scientists & Analysten – Fachleute, die ihre Fähigkeiten in neuronalen Netzwerken und Machine Learning erweitern möchten.

• KI/ML-Enthusiasten – Personen mit einer Leidenschaft für künstliche Intelligenz, die realweltliche Anwendungen entwickeln möchten.

• Studenten & Forscher – Absolventen oder Studierende der Informatik, Mathematik oder verwandter Disziplinen.

• IT- & Cloud-Profis – Personen, die in der Cloud-Computing-, DevOps- oder Infrastrukturbranche tätig sind und ein Verständnis für KI-Modelle benötigen.

• Geschäfts- und Produktmanager – Fachleute, die KI-Wissen benötigen, um datengestützte Entscheidungen zu treffen und KI-gestützte Produkte zu entwickeln.

• Unternehmer & Startups – Innovatoren, die KI-gesteuerte Unternehmen aufbauen oder bestehende Produkte mit Deep Learning verbessern möchten.

Voraussetzungen:
Grundkenntnisse in Python-Programmierung, Wissen in linearer Algebra, Wahrscheinlichkeit und einige Grundlagen des maschinellen Lernens werden dringend empfohlen.

Abgedeckte Themen:

• Einführung in Deep Learning

  • Kurze Geschichte der KI

  • Motivation für Deep Learning

  • Unterschied zwischen Deep Learning und Machine Learning

  • Erfolge im Deep Learning

  • Anwendungen von Deep Learning

  • Herausforderungen im Deep Learning

  • Deep-Learning-Frameworks

  • Vollständiger Zyklus eines Deep-Learning-Projekts

  • Neuronale Netzwerke und Arten von neuronalen Netzwerken

  • Perzeptron

  • Vorwärtspropagation im Perzeptron

  • Rolle von Aktivierungsfunktionen

  • Rückwärtspropagation im Perzeptron

  • Gradientenabstieg-Algorithmus

  • Einschränkungen des Perzeptrons

  • Deep Neural Networks

  • Was sind DNNs und warum sind sie nützlich

  • Verlustfunktionen

  • Vorwärtspropagation in DNNs

  • Rückwärtspropagation in DNNs

  • Einführung in TensorFlow

  • Training von DNNs mit TensorFlow

  • Einführung in TensorFlow Playground

  • TensorFlow

  • Einführung in Tensoren

  • Sequenzielle APIs in TensorFlow

  • Keras - Eine Einführung

  • Modelloptimierung und Leistungsverbesserung

  • Einführung in Optimierungsalgorithmen

  • Einführung in SGD und Implementierung

  • Einführung in Momentum und Implementierung

  • Einführung in Adagrad und Implementierung

  • Einführung in Adadelta und Implementierung

  • Einführung in RMSProp und Implementierung

  • Einführung in Adam und Implementierung

  • Batch-Normalisierung Implementierung

  • Explodierende und verschwindende Gradienten

  • Einführung in Hyperparameter-Tuning und Implementierung

  • Modellinterpretierbarkeit

  • Dropout und Early Stopping

  • Convolutional Neural Networks

  • Was ist CNN?

  • CNN-Architektur

  • ResNet 50

  • Funktionsweise von CNNs

  • Pooling in CNNs

  • Bildklassifikation mit CNNs

  • Einführung in TensorBoard

  • Transfer Learning

  • Einführung in Transfer Learning

  • Auswahl von vortrainierten Modellen

  • Vorteile von Transfer Learning

  • Objekterkennung

  • Objekterkennung für mehrere Objekte

  • Überblick über den YOLO V3-Algorithmus

  • Datensatzvorbereitung für den YOLO V3-Algorithmus

  • Objekterkennung mit YOLO V3

  • Einführung in TF Lite

  • Konvertierung eines TF-Modells in ein TF-Lite-Modell

  • Recurrent Neural Networks (RNNs)

  • Was ist Sequenzmodellierung

  • Einführung in RNNs

  • Architektur von RNNs

  • Vorwärts- und Rückwärtspropagation in RNNs

  • Einführung in Hybrides Modellieren

  • Architektur eines CNN- und RNN-Hybridmodells

  • Transformer-Modelle für Natural Language Processing (NLP)

  • Überblick über Transformer-Modelle

  • Architektur des Transformer-Modells

  • Einführung in das BERT-Modell

  • Einstieg in Autoencoders

  • Einführung in unüberwachtes Deep Learning

  • Was sind Autoencoders?

  • Architektur von Autoencoders

  • Anwendungsfälle und Training von Autoencoders

  • PyTorch

  • Einstieg in PyTorch

  • Erstellen eines neuronalen Netzwerks in PyTorch

Wird es meine Fähigkeit beeinträchtigen, den Kurs abzuschließen, wenn ich eine Live-Klasse verpasse?

Nein, das Verpassen einer Live-Klasse beeinträchtigt nicht Ihre Fähigkeit, den Kurs abzuschließen. Mit unserer „Flexi-Learn“-Funktion können Sie die aufgezeichnete Sitzung der verpassten Klasse nach Belieben ansehen. So bleiben Sie auf dem neuesten Stand mit den Kursinhalten und können die erforderlichen Anforderungen erfüllen, um fortzuschreiten und Ihr Zertifikat zu erhalten. Besuchen Sie einfach die Lernplattform, wählen Sie die verpasste Klasse aus und sehen Sie sich die Aufzeichnung an, um Ihre Anwesenheit zu markieren.

Lizenzierung und Akkreditierung
Dieser Kurs wird von Simplilearn gemäß der Partnerprogramm-Vereinbarung angeboten und erfüllt die Anforderungen des Lizenzvereinbarungsvertrags. AVC fördert diesen Kurs im Namen von Simplilearn.

Gleichstellungspolitik
Simplilearn bietet keine Unterkünfte aufgrund einer Behinderung oder medizinischen Erkrankung von Studenten an. Kandidaten werden ermutigt, sich an AVC zu wenden, um Unterstützung und Anleitung während des Unterbringungsprozesses zu erhalten.