In diesem Modul behandeln wir die Konzepte rund um das ML-Paradigma. Zunächst lernen wir, wie man ein Modell auswählt, wobei wir uns unter anderem mit dem Abwägungsspannfeld zwischen Bias und Varianz befassen. Anschließend untersuchen wir, wie Modelle des maschinellen Lernens konvergieren, einschließlich der Verwendung des stochastischen Gradientenabstiegs zur Minimierung von Verlustfunktionen. Abschließend befassen wir uns mit einigen praktischen Aspekten der Programmierung fortgeschrittener KI-Modelle unter Verwendung von Bibliotheken zur Hyperparameter-Optimierung.

In diesem Modul gehen wir über Zahlen hinaus und lernen, wie man maschinelles Lernen auf Bilder und Text anwendet. Zunächst werden wir uns damit befassen, wie man Textdaten analysiert, und die wichtigsten Methoden der natürlichen Sprachverarbeitung behandeln. Anschließend lernen wir, wie man Bilder analysiert, indem wir konvolutionelle neuronale Netze mit Konvolutions- und Pooling-Schichten aufbauen.

In diesem Abschlussprojekt werden wir das im letzten Modul Gelernte anwenden, um Produktbilder danach zu klassifizieren, ob sie einen Fehler aufweisen oder nicht.