- Verständnis von Deep Learning in der Künstlichen Intelligenz
- Bedeutung von KI Engineering für neuronale Netzwerke
- Anwendung in Computer Vision, NLP und Maschinelles Lernen
- Von grundlegenden bis zu fortschrittlichen KI-Implementierungen
Anwendung von neuronalen Netzwerken
- Struktur und Funktionsweise künstlicher neuronaler Netzwerke
- Backpropagation und Gradient Descent im Training
- Erklärung zu Aktivierungsfunktionen wie Sigmoid und ReLU
- Überblick über das Modeltraining: Overfitting vs. Generalisierung
Deep Learning mit Python-Frameworks
- Keras und TensorFlow für Python im Deep Learning nutzen
- Eigene Deep Learning Modelle konstruieren und trainieren
- Hyperparameter Tuning und Modellevaluierung in der Praxis
- Nutzen von Jupyter Notebooks für AI Engineering
Computer Vision und CNNs
- Grundlagen von Convolutional Neural Networks verstehen
- Bildklassifikation und -erkennung über neuronale Netzwerke
- Transfer Learning zur Leistungssteigerung einsetzen
- Reales Projekt zur Bilddatenklassifikation
Deep Learning und NLP Anwendungen
- Neuronale Netze in Natural Language Processing verwenden
- Einführung in RNNs und LSTM Netzwerke
- Erklärung von Word Embeddings und Transformer-Modellen
- Entwicklung generativer AI wie ChatGPT
Kreative KI mit Generativer AI
- GANs: Einsatz und Funktionsprinzipien
- Variational Autoencoder für Datenverarbeitung
- Text- und Bildgenerierung durch generative Modelle
- Industrielle und kreative Anwendungen
AI Engineering mit MLOps
- Verwendung von Docker für neuronale Netzwerke
- Automatisierung des Deployments durch CI/CD Pipelines
- Monitoren von Modelleffektivität und Performance Drift
- Nutzung von Deep Learning Modellen als API
Komplettes Deep Learning Projekt
- Teamarbeit an einem durchgängigen Deep Learning Modell
- Von Datenmanagement bis zur Überwachung und Präsentation
- Ergebnisshow vor geschäftlichen Stakeholdern
- Simulation realistischer KI Engineering Prozesse