In diesem Modul lernen Sie die Mathematik hinter dem beliebten Back-Propagation-Algorithmus kennen, der zur Optimierung neuronaler Netzwerke verwendet wird. Im Back Propagation-Notizbuch werden Sie auch die Verwendung von Aktivierungsfunktionen sehen und verstehen. Der Hauptzweck der meisten Aktivierungsfunktionen besteht darin, Nichtlinearität in das Netzwerk einzubringen, damit es in der Lage ist, komplexere Muster zu lernen. Zu guter Letzt werden Sie lernen, Funktionen und APIs aus der Keras-Bibliothek zu verwenden, um Aufgaben zu lösen, bei denen neuronale Netzwerke zum Einsatz kommen, und diese Aufgaben beginnen mit dem Laden von Bildern.

Sie können verschiedene Optionen nutzen, um die Trainingszeit oder die Genauigkeit Ihrer neuronalen Netzwerke und Deep Learning-Modelle zu optimieren. In diesem Modul lernen Sie die wichtigsten Konzepte kennen, die während des Modelltrainings zum Einsatz kommen, darunter Optimierer und Data Shuffling. Sie werden auch praktische Erfahrungen mit Keras sammeln, einer der wichtigsten Bibliotheken für Deep Learning.

In diesem Modul machen Sie sich mit Faltungsneuronalen Netzen vertraut, auch bekannt als rauminvariante künstliche neuronale Netze, eine Art von tiefen neuronalen Netzen, die häufig in KI-Anwendungen für Bilder eingesetzt werden. Es gibt verschiedene CNN-Architekturen. Sie werden einige der gängigsten kennenlernen, um Ihr Toolkit für Deep Learning-Techniken zu erweitern.

In diesem Modul werden Sie verstehen, was Transfer Learning ist und wie es funktioniert. Sie werden das Transfer-Lernen in 5 allgemeinen Schritten implementieren und dabei eine Reihe von beliebten vortrainierten CNN-Architekturen wie VGG-16 und ResNet-50 verwenden. Sie werden die Unterschiede zwischen diesen CNN-Architekturen untersuchen und sehen, wie die Erfindung jeder dieser Architekturen das Problem ihrer Vorgänger löst. Nicht zuletzt werden Sie, da wir nun mit tieferen neuronalen Netzwerken arbeiten, auch mit Regularisierungstechniken vertraut gemacht, um eine Überanpassung komplexer Modelle und Netzwerke zu verhindern.

In diesem Modul machen Sie sich mit rekursiven neuronalen Netzen (RNNs) und Long-Short Term Memory Networks (LSTM) vertraut, einer Art von RNN, die als Durchbruch für die Sprach-zu-Text-Erkennung gilt. RNNs werden heute häufig in den meisten KI-Anwendungen eingesetzt und können auch für überwachtes Lernen verwendet werden.

In diesem Modul machen Sie sich mit Autoencodern vertraut, einer nützlichen Anwendung von Deep Learning für unüberwachtes Lernen. Autoencoder sind eine Architektur für neuronale Netzwerke, die das Lernen einer niedrigdimensionalen Darstellung von Daten, in der Regel Bildern, erzwingt. In diesem Modul lernen Sie einige auf Deep Learning basierende Techniken zur Datendarstellung kennen, erfahren, wie Autoencoder funktionieren und beschreiben die Verwendung von trainierten Autoencodern für Bildanwendungen

In diesem Modul lernen Sie zwei Arten von generativen Modellen kennen, nämlich Variational Autoencoders (VAEs) und Generative Adversarial Networks (GANs). Wir werden uns die Theorie hinter jedem Modell ansehen und sie dann in Keras implementieren, um künstliche Bilder zu erzeugen. Das Ziel ist in der Regel, Bilder zu erzeugen, die so realistisch wie möglich sind. In der letzten Lektion dieses Moduls werden wir uns mit weiteren Themen des Deep Learning befassen, nämlich der Verwendung von Keras in einer GPU-Umgebung zur Beschleunigung des Modelltrainings.

In diesem Modul lernen Sie weitere neuartige Anwendungen von Neuronalen Netzen kennen. Sie lernen Generative Adversarial Networks kennen, die häufig als GANs bezeichnet werden und eine Anwendung von Neuronalen Netzen zur Generierung neuer Daten sind. Schließlich lernen Sie das Reinforcement Learning kennen, eines der großen Versprechen für die KI, das auf dem Training von Algorithmen mit Hilfe von Belohnungen basiert, anstatt auf einer Methode zur Fehlerminimierung, die wir während des gesamten Kurses verwendet haben.