Dieses Modul bietet eine umfassende Untersuchung von tiefen neuronalen Netzen, die grundlegende Konzepte, praktische Implementierungen und fortgeschrittene Techniken abdeckt. Vom Verständnis der Grundlagen des Deep Learning und dem Vergleich mit der Funktionsweise des menschlichen Gehirns bis hin zur Vertiefung spezifischer Architekturen wie Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) mit Long Short-Term Memory (LSTM) vermittelt dieses Modul den Lernenden die Kenntnisse und Fähigkeiten, die sie benötigen, um Deep-Learning-Modelle für verschiedene Aufgaben zu entwerfen, zu trainieren und zu optimieren, darunter Bildklassifizierung und Sequenzvorhersage

Dieses Modul führt in die Grundlagen der Textgewinnung und -analyse ein. Es behandelt verschiedene Techniken zur Extraktion, Reinigung und Vorverarbeitung von Textdaten, einschließlich Tokenisierung, Stemming, Lemmatisierung und Named Entity Recognition. Darüber hinaus werden Methoden zur Analyse der Satzstruktur, wie Syntaxbäume und Chunking, sowie Textklassifikationstechniken mit Bag-of-Words, ANZAHL-Vektorisierern und multinomialen Naive-Bayes-Klassifikatoren behandelt. Durch praktische Aufgaben und Diskussionen erhalten die Lernenden einen Einblick in die Anwendungen des Text Mining in verschiedenen Bereichen und in die wesentlichen Werkzeuge und Prozesse, die bei der Arbeit mit Textdaten zum Einsatz kommen.

Dieses Modul ist die letzte Phase des Kurses und bietet den Lernenden eine umfassende Überprüfung und Bewertung der in den Modulen erworbenen Kenntnisse und Fähigkeiten. Während des gesamten Moduls nehmen die Lernenden an verschiedenen Aktivitäten teil, um ihr Lernen zu festigen und ihr Verständnis des Kursmaterials zu bewerten. Zu diesen Aktivitäten gehören die Durchführung eines Praxisprojekts, in dem die erlernten Konzepte auf reale Szenarien angewandt werden, eine benotete Aufgabe zur Bewertung der Kenntnisse und möglicherweise ein Video zum Abschluss des Kurses, in dem die wichtigsten Erkenntnisse und Erfolge zusammengefasst werden.