Modul: Deep Learning Grundlagen, Hochschule für Informatik FHNW

Deep Learning beginnt da, wo klassische Methoden des Machine Learnings an seine Grenzen stossen. Lerne das Potenzial und die Grenzen verschiedener Deep Learning Arten und deren Anwendungsgebiete kennen und umzusetzen.

Wir befinden uns im digitalen Zeitalter. Unternehmen stehen eine Vielzahl von Daten zur Verfügung, deren Umfang Menschen nicht mehr erfassen können. Um dieses Wissen aus den Daten zu extrahieren, bedarf es computergestützter Methoden, welche automatisiert relevante Informationen für Geschäftsfragen extrahieren können. Doch die Komplexität und schiere Grösse vieler Datensätze bringen klassische Methoden des maschinellen Lernens an seine Grenzen. Um aus solchen Datensätzen Wissen zu generieren, bedarf es daher Deep-Learning-Methoden. In diesem Kurs lernst du die Grundlagen dieser Methoden und Anwendungsgebiete kennen.

Du kennst:

• die Bedeutung der folgenden Begriffe und ihre Rolle im Deep Learning: Gradient Descent, Backpropagation, Hyperparameter Tuning, Datensatzaufbereitung, Loss-Funktionen.
• verschiedene Arten von Deep Learning-Modellen und deren Anwendungsgebiete, z. B. Multi-Layer Perceptron, Convolutional Neural Network, Recurrent Neural Network und Multi-Layer Perceptron.
• die Prinzipien des Deep Learning, verstehst, wie und warum sie funktionieren, und weisst, wie du sie einsetzen kannst, um das Potenzial deines Unternehmens zu steigern.

Du verstehest:

• die Möglichkeiten, die Deep Learning eröffnet, aber weisst auch um dessen Grenzen.
• dich auf die Verwendung von Python-Bibliotheken für Deep Learning: PyTorch, TensorFlow.

Du kannst:

• Deep Learning-Modelle implementieren, trainieren und anwenden. Ferner kannst du solche Modelle evaluieren und miteinander vergleichen.

Im Modul Deep Learning Grundlagen lernst du die zentralen Konzepte und Methoden des Deep Learnings kennen. Du verstehst, wie verschiedene Deep-Learning-Modelle funktionieren, in welchen Anwendungsgebieten sie eingesetzt werden und wie du sie mit gängigen Python-Bibliotheken praktisch umsetzt. Der Kurs führt dich durch den gesamten Workflow von der Datenaufbereitung über das Training bis zur Evaluation von Modellen und zeigt dir sowohl die Potenziale als auch die Grenzen von Deep Learning auf.

Technologien:

Python, pandas, pytorch, tensorflow, keras, numpy, matplotlib, Google CoLab

Folgende Vorkenntnisse solltest du mitbringen:

• Du verfügst über Grundkenntnisse in Data Science.
• Du verfügst über ein Grundverständnis in linearer Algebra bzw. Vektoren, Matrizen und Tensoren.
• Du verfügst über Python-Grundkenntnisse und kannst ein einfaches Machine Learning-Modell in Python mit scikit-learn trainieren, evaluieren und anwenden.