Die Weiterbildung Deep Learning vermittelt technische und analytische Kompetenzen zur Entwicklung, Anwendung und Bewertung neuronaler Netzwerke. Die Inhalte werden entlang von Modellarchitekturen, Trainingsprozessen und Ergebnisoptimierung strukturiert aufgebaut.
Grundlagen neuronaler Netze- Aufbau und Funktionsweise neuronaler Netzwerke einordnen
- Schichten, Gewichte und Aktivierungsfunktionen verstehen
- Trainingsdaten und Zielvariablen fachgerecht vorbereiten
- Unterschiede zu klassischen Machine-Learning-Verfahren erkennen
Modellarchitekturen
- Feedforward-Netze für einfache Aufgaben anwenden
- Convolutional Neural Networks fachlich einordnen
- Recurrent Neural Networks und Sequenzmodelle verstehen
- Geeignete Architekturen für Anwendungsfälle auswählen
Training und Optimierung
- Trainingsprozesse mit geeigneten Frameworks umsetzen
- Loss-Funktionen und Optimierungsverfahren anwenden
- Überanpassung erkennen und Gegenmaßnahmen einsetzen
- Hyperparameter systematisch anpassen und vergleichen
Evaluation und Anwendung
- Modellergebnisse anhand geeigneter Metriken bewerten
- Fehlerquellen in Daten und Modellverhalten analysieren
- Deep-Learning-Modelle dokumentieren und interpretieren
- Anwendungsmöglichkeiten in Bild-, Text- und Datenprozessen ableiten
Die Weiterbildung befähigt zur Entwicklung, Optimierung und Bewertung von Deep-Learning-Modellen für datenbasierte Anwendungskontexte.