Grundlagen des Deep Learning mit TensorFlow

Deep Learning unterstützt moderne Anwendungen für künstliche Intelligenz in den Bereichen Computer Vision, Predictive Analytics und natürliches Sprachverstehen. Die Grundlagen neuronaler Netze zu beherrschen, versetzt Sie in die Lage, komplexe Datenherausforderungen zu lösen, die mit herkömmlichen Algorithmen nur schwer zu bewältigen sind. Dieser schriftliche Kurs bietet eine klare, konzeptionelle Grundlage, gefolgt von praktischen Code-Implementierungen mit TensorFlow und seiner hochrangigen Keras-API. Sie werden erkunden, wie neuronale Architekturen unter der Haube funktionieren, Eingabedaten vorbereiten, Modellpipelines konfigurieren und Trainingskennzahlen mit Zuversicht interpretieren. Was Sie lernen werden: - Verstehen Sie die grundlegende Deep-Learning-Terminologie, künstliche Neuronen, Aktivierungsfunktionen und Schichtenarchitekturen - Erstellen und Kompilieren von Feedforward-neuralen Netzwerken für tabellarische Regressions- und Klassifikationsaufgaben - Wenden Sie geeignete Verlustfunktionen, Auswertungsmetriken und Optimierungsalgorithmen an, um das Training zu steuern - Implementieren Sie moderne Trainingspraktiken wie Validierungssplits, Regularisierung und frühzeitige Stopp-Callbacks - Speichern, Laden und Ausführen von Inferenzen auf trainierten neuronalen Netzwerkmodellen - Überprüfen Sie die Modellleistung und diagnostizieren Sie Probleme wie Über- und Unteranpassung Das Lesen beginnt mit der wesentlichen Theorie und der grundlegenden Terminologie, bevor Sie durch strukturierte schriftliche Tutorials und saubere Code-Implementierungen geführt werden. Dieser Kurs richtet sich an aufstrebende Datenpraktiker und Programmierer, die neu im Deep Learning sind und nur grundlegende Kenntnisse in Python benötigen. Beginnen Sie mit dem Lesen, um eine solide Grundlage für Deep Learning mit TensorFlow zu entwickeln.