Dieser Deep Learning-Kurs bietet eine umfassende Einführung in Autoencoder, Variational Autoencoders (VAE) und Generative Adversarial Networks (GANs). Zu Beginn erfahren Sie, wie Autoencoder Daten komprimieren und rekonstruieren, und entdecken, wie VAEs probabilistische Modelle hinzufügen, um generative Fähigkeiten zu verbessern. Lernen Sie den Trainingsprozess für VAEs kennen und implementieren Sie ein VAE mit TensorFlow zur Bilderzeugung mit dem MNIST-Datensatz. Beherrschen Sie GANs - verstehen Sie den Ansatz des kontradiktorischen Trainings, das Zusammenspiel von Generator und Diskriminator und lernen Sie reale Anwendungen kennen. Sammeln Sie praktische Erfahrungen, indem Sie ein GAN erstellen, um realistische gefälschte Bilder zu generieren. Um in diesem Kurs erfolgreich zu sein, sollten Sie ein grundlegendes Verständnis von Neuronalen Netzwerken, Konzepten des Maschinellen Lernens und der Programmierung mit Python haben.

Am Ende dieses Kurses werden Sie in der Lage sein: - Autoencoder und VAEs zu implementieren und zu trainieren - VAEs für generative Aufgaben wie die Bildsynthese anzuwenden - GANs zu bauen und zu trainieren, um realistische Daten zu generieren - Adversariales Training in realen Anwendungsfällen zu verstehen und anzuwenden Ideal für angehende KI-Entwickler, ML-Ingenieure und Datenwissenschaftler, die generatives Deep Learning erforschen.