In diesem Modul werden wir verschiedene Pre-Training-Modelle, ihre Architekturen und die Prinzipien des Transfer Learning untersuchen. Durch eine Reihe von detaillierten Sitzungen werden wir diese Konzepte in der Praxis anwenden, was in Fallstudien und analytischen Diskussionen gipfelt.

In diesem Modul werden wir CNN-Techniken auf reale natürliche Bilder anwenden, wobei wir uns speziell auf Blumenbilder konzentrieren. Anhand einer umfangreichen Fallstudie, die sich über mehrere Sitzungen erstreckt, werden wir lernen, Modelle in einem praktischen, branchenrelevanten Kontext zu implementieren, zu evaluieren und zu verfeinern.

In diesem Modul werden wir uns der Herausforderung stellen, medizinische Anomalien mithilfe von CNNs zu erkennen. Anhand von Röntgenbildern werden wir in mehreren Sitzungen eine detaillierte Fallstudie durchführen und lernen, medizinische Daten zu interpretieren und effektive diagnostische Modelle zu entwickeln.

In diesem Modul werden wir rekurrente neuronale Netzwerke vorstellen und ihre grundlegenden Konzepte, Architektur und Typen behandeln. Wir werden uns mit Trainingsmethoden beschäftigen und häufige Herausforderungen wie das Problem des verschwindenden Gradienten in einer Reihe von detaillierten Sitzungen angehen.

In diesem Modul werden wir uns auf Netzwerke mit Long Short-Term Memory (LSTM) konzentrieren und ihre Architektur und Funktionalität behandeln. Wir vergleichen LSTM mit anderen Varianten von Rekurrenten neuronalen Netzen (RNN) wie GRU und implementieren diese Netzwerke in praktischen Szenarien durch eine Reihe von detaillierten Sitzungen.

In diesem Modul werden wir die Techniken des Rekurrenten neuronalen Netzes (RNN) anwenden, um einen Part-Of-Speech Tagger für die Verarbeitung natürlicher Sprache zu entwickeln. Anhand einer erweiterten Fallstudie, die sich über mehrere Sitzungen erstreckt, werden wir die Leistung des Part-Of-Speech-Taggers entwickeln, bewerten und verfeinern.

In diesem Modul werden wir uns mit der praktischen Anwendung von RNNs zur Texterzeugung befassen, indem wir eine umfassende Fallstudie zum Code-Generator untersuchen, die in vier Teile unterteilt ist. Jeder Teil baut auf dem vorhergehenden auf und verbessert unser Verständnis und unsere Fähigkeiten bei der Verwendung von RNNs zur Erzeugung von kohärentem Text.