In diesem Modul legen wir den Grundstein für das Verständnis von Deep Learning, indem wir wesentliche Themen wie künstliche neuronale Netze, Aktivierungsfunktionen und Bias behandeln. Außerdem werden wir uns mit der Rolle von Daten, verschiedenen Anwendungsbereichen, Modellen, Verlustfunktionen und Lernalgorithmen befassen, die für die Modellleistung entscheidend sind.

In diesem Modul bieten wir einen Crashkurs zu den Grundlagen der Python-Programmierung an, die für Deep Learning unverzichtbar sind. Sie lernen, wie Sie Jupyter Notebook und Google Colab installieren und nutzen, sich mit Datentypen, Containern und Steueranweisungen vertraut machen sowie Funktionen und Klassen in Python implementieren.

In diesem Modul beschäftigen wir uns eingehend mit Python-Bibliotheken, die für die Datenwissenschaft von entscheidender Bedeutung sind. Sie lernen, wie Sie mit NumPy Arrays verarbeiten, mit Pandas Daten bearbeiten und mit Matplotlib Daten visualisieren. Wir behandeln Themen, die von grundlegenden Datenstrukturen bis hin zu fortgeschrittenen Techniken der Datenbereinigung und -darstellung reichen.

In diesem Modul werden wir uns mit dem MP-Neuron-Modell befassen, das auch als McCulloch-Pitts-Modell bekannt ist. Sie werden ein Verständnis für die datenbasierte Intuition entwickeln, lernen, wie man Parameter ermittelt, und eine mathematische Intuition für dieses grundlegende Konzept in neuronalen Netzen entwickeln.

In diesem Modul konzentrieren wir uns auf die Implementierung des MP-Neuron-Modells in Python. Sie lernen, wie man Datensätze importiert, eine Train-Test-Aufteilung vornimmt und Daten modifiziert. Am Ende dieses Abschnitts werden Sie eine MP-Neuron-Klasse von Grund auf erstellt und im Rahmen einer Aufgabe geübt haben.

In diesem Modul fassen wir die wichtigsten Konzepte und die praktische Umsetzung des MP-Neuron-Modells zusammen. Wir werden die wesentlichen Punkte noch einmal durchgehen und durch eine Zusammenfassung sowie Bewertungsaufgaben sicherstellen, dass Sie ein solides Verständnis davon haben.

In diesem Modul werden wir uns mit dem Perzeptron-Modell befassen und dabei dessen Darstellung, Verlustfunktion sowie die Aktualisierung der Parameter erörtern. Sie werden verstehen, wie die Aktualisierungsregel funktioniert, und deren praktische Umsetzung in Programmen kennenlernen.

In diesem Modul werden wir das Perzeptron-Modell in Python implementieren. Sie lernen, das Modell zu programmieren und dessen Genauigkeit sowie Leistung bei steigender Anzahl von Epochen zu visualisieren, wodurch Sie Ihre praktischen Fähigkeiten im Bereich Deep Learning vertiefen.

In diesem Modul werden wir vom Perzeptron zum Sigmoid-Neuron übergehen. Sie lernen die Grenzen des Perzeptrons und die Vorteile des Sigmoid-Neurons kennen und erhalten Einblicke in die Gradientenabstiegsmethode zur Modelloptimierung.

In diesem Modul werden wir das Sigmoid-Neuron mit Python implementieren. Sie lernen, wie man Datensätze herunterlädt und standardisiert sowie eine Klasse für die Sigmoid-Aktivierungsfunktion erstellt, und festigen Ihr Verständnis durch praktische Übungen.

In diesem Modul behandeln wir grundlegende Konzepte der Wahrscheinlichkeitsrechnung. Sie lernen Zufallsvariablen, deren Bedeutung, verschiedene Arten sowie Wahrscheinlichkeitsverteilungstabellen kennen und erhalten einen Einblick in das Konzept des Entropieverlusts im Zusammenhang mit Deep Learning.

In diesem Modul beschäftigen wir uns mit tiefen neuronalen Netzen. Sie erfahren, warum diese wichtig sind, und lernen anhand praktischer Programmierübungen das Konzept der linearen Trennung von Daten kennen, wodurch Sie auf komplexere Deep-Learning-Modelle vorbereitet werden.

In diesem Modul werden wir uns eingehend mit dem universellen Approximationssatz befassen. Sie werden dessen Bedeutung kennenlernen, seine Wirksamkeit anhand praktischer Beispiele überprüfen und die Herausforderungen beim Aufbau tiefer neuronaler Netze von Grund auf erörtern.

In diesem Modul konzentrieren wir uns auf TensorFlow 2.x für Deep Learning. Sie lernen, wie Sie mit TensorFlow neuronale Netze erstellen, trainieren und auswerten. Dabei werden die Konzepte des Deep Learning noch einmal zusammengefasst und es gibt eine Übersicht, um Sie auf fortgeschrittenere Themen vorzubereiten.

In diesem Modul befassen wir uns mit Aktivierungsfunktionen im Deep Learning. Sie lernen verschiedene von TensorFlow bereitgestellte Aktivierungsfunktionen kennen und erwerben ein Verständnis für gängige Netzwerkkonfigurationen, die bei Deep-Learning-Aufgaben zum Einsatz kommen.

In diesem Modul werden wir Konzepte des Deep Learning anwenden. Sie werden den Übergang vom Shallow Learning zum Deep Learning vollziehen, die Grundlagen von Keras verstehen, Klassifizierungs- und Regressionsprobleme lösen und fortgeschrittene TensorFlow-Techniken sowie Methoden zur Erstellung von Unterklassen kennenlernen.