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