Deep Learning mit Python und Keras

Grundlagen des Deep Learning

• Abgrenzung und Unterschiede zum klassischen Machine Learning
• Historische Entwicklung und aktuelle Trends
• Typische Anwendungsfelder von Deep Learning
• Vergleich von Keras mit alternativen Frameworks wie PyTorch

Neuronale Netze verstehen

• Struktur und Funktionsweise von Netzarchitekturen
• Überblick über Aktivierungsfunktionen und Neuronentypen
• Feedforward-Netze und das Backpropagation-Verfahren
• Einführung in rekurrente Netze

Einstieg in Python und Keras

• Nutzung von Python für Deep-Learning-Anwendungen
• Architektur und Kernkomponenten von Keras
• Beschleunigung durch GPU-Einsatz

Modelle entwickeln und trainieren

• Vorbereitung und Verarbeitung von Daten
• Aufbau einfacher neuronaler Netze
• Training, Evaluierung und Interpretation von Modellen
• Einsatz vortrainierter Netze und Fine-Tuning

Erweiterte Methoden und Architekturen

• Convolutional Neural Networks (CNNs) für Bilddaten
• Bildaugmentation und weitere Techniken in der Verarbeitung
• Zeitreihenanalyse mit LSTMs
• Transformer-Architekturen für komplexe Sequenzen
• Generative Modelle wie GANs

Praxisnahe Fallstudien

• Datenanalyse und Feature Engineering
• Anwendung neuronaler Netze auf Regressions- und Klassifikationsaufgaben

Modelloptimierung

• Feinjustierung durch Hyperparameter-Tuning
• Regularisierungsverfahren zur Leistungssteigerung

Produktion und Skalierung

• Bereitstellung und Monitoring von Modellen
• Skalierung mithilfe von Cloud-Technologien