Nach Abschluss der Weiterbildung verfügen Sie über Kenntnisse in der Anwendung von TensorFlow und im Aufbau neuronaler Netze. Sie beherrschen die Prinzipien des Reinforcement Learning und können diese nutzen, um selbstlernende Algorithmen zu entwickeln. Diese Qualifikationen ermöglichen Ihnen Tätigkeiten in Bereichen wie Künstliche Intelligenz, Data Science und automatisierter Entscheidungsfindung. Sie arbeiten daran, komplexe Probleme zu lösen und Systeme zu optimieren, indem Sie erlernte Techniken und Frameworks zielgerichtet anwenden.
- Einführung in neuronale Netze
- Grundprinzipien und Architektur von neuronalen Netzen
- Mathematische Grundlagen neuronaler Netze
- Aktivierungsfunktionen und ihre Bedeutung
Machine Learning mit Keras und TensorFlow
- Installation und Einrichtung von TensorFlow
- Grundlegende Verwendung von TensorFlow
- Verwendung von Keras
- Erstellen von Machine-Learning-Modellen mit Keras
- Erstellen von FCN- und CNN-Modellen mit Keras
- Analyse von Machine Learning in TensorFlow
- Allgemeine Tipps und Tricks zu TensorFlow
Neurale Netze: Training und Optimierung
- Grundlagen des Trainings von neuronalen Netzen
- Verlustfunktionen und Optimierungsalgorithmen
- Herausforderungen und Best Practices beim Training neuronaler Netze
- Vergleich und Kombination von CNNs und RNNs
- Problemlösung für nicht funktionierende Modelle
Vertiefung Reinforcement Learning
- Einführung in Reinforcement Learning
- Grundkonzepte und Terminologie
- Agenten und Umgebungen
- Markov-Entscheidungsprozesse (MDP)
- Dynamische Programmierung
- Monte-Carlo-Methoden
- Temporal Difference Learning