Dieses Modul führt Sie durch die mathematischen Ansätze der Regularisierungstechniken, die die Generalisierung neuronaler Netze verbessern und Überanpassung verhindern. Sie werden Konzepte wie den unvoreingenommenen Risikoschätzer von Stein, Eigenwertzerlegung, Ensemble-Methoden, Dropout-Mechanismen und fortgeschrittene Normalisierungstechniken wie die Batch-Normalisierung analysieren.

In diesem Modul untersuchen Sie Convolutional Neural Networks (CNNs), einschließlich Faltungsoperationen, Parameter-Sharing, Kernel-Methoden und mehrdimensionale Datenstrukturen. Sie werden fortgeschrittene CNN-Architekturen, Regularisierung, Normalisierungstechniken und die Auswirkungen zufälliger Kernel auf das Lernverhalten von Netzwerken untersuchen.

In diesem Modul werden Sie die Mathematik analysieren, die generativen Modellen und der Maximum-Likelihood-Schätzung (MLE) zugrunde liegt. Sie werden Divergenzmetriken wie die Kullback-Leibler-Divergenz, Bayes'sche Netzwerkstrukturen und autoregressive Modellierungsmethoden untersuchen und sich dabei auf deren theoretische Grundlagen und praktische Auswirkungen konzentrieren.