Erwerben Sie praktische Kenntnisse im Bereich Deep Learning und lernen Sie, neuronale Netze mit PyTorch zu erstellen, zu trainieren, zu bewerten und zu optimieren. Zunächst lernen Sie den Unterschied zwischen maschinellem Lernen und Deep Learning kennen und beschäftigen sich mit Perzeptronen, neuronalen Netzen und deren Rolle in realen KI-Systemen. Anschließend richten Sie Jupyter Notebooks, Google Colab und PyTorch ein, bevor Sie sich mit Tensoren, Gradienten, versteckten Schichten und Transferlernen befassen.

Anhand von angeleiteten Programmierübungen und Fallstudien bereiten Sie Bilddatensätze vor und entwickeln Klassifikationsmodelle unter Verwendung der Datensätze MNIST, CIFAR-10 und CIFAR. Außerdem wenden Sie CNNs auf die Textklassifizierung an, vergleichen Verlustfunktionen und generieren kontextbezogenen Text mit Transformern. Fortgeschrittene Lektionen behandeln Sprachmodelle, Sequenzgenerierung, Encoder-Decoder-Architekturen, aufmerksamkeitsbasierte Übersetzung, Trainingspipelines und Leistungsbewertung. Sie werden diese Techniken durch Vorverarbeitung und Feature-Engineering auf tabellarische Vorhersagen ausweiten und anschließend kollaborative und inhaltsbasierte Filterung für Empfehlungssysteme vergleichen. Dieser Kurs richtet sich an Lernende, die praktische Fähigkeiten in den Bereichen KI, Deep Learning oder Data Science erwerben möchten, und führt auf einzigartige Weise von anfängerfreundlichen Konzepten zu fortgeschrittenen Projekten in den Bereichen Bildverarbeitung, NLP, Attention und Empfehlungssysteme. Melden Sie sich an, um Deep-Learning-Theorie in funktionierende Modelle für Bild-, Text-, strukturierte Daten- und Empfehlungsaufgaben umzusetzen.