In diesem Modul werden wir uns mit der Spezialisierung der Regression mit mehreren Zielvariablen durch Deep Learning befassen. Wir behandeln die theoretischen Grundlagen und folgen einer schrittweisen Code-Anleitung, um Regressionsmodelle zu implementieren und zu verfeinern, die mehrere kontinuierliche Variablen gleichzeitig vorhersagen können.

In diesem Modul begeben wir uns auf eine umfassende Reise in die Klassifizierung mit Deep Learning und konzentrieren uns dabei auf binäre und Multi-Label-Klassifizierungstechniken. Wir werden Modelle erstellen, codieren und verfeinern, die Daten effektiv in verschiedene oder mehrere Kategorien klassifizieren können, indem wir praktische Übungen und Beispiele verwenden.

In diesem Modul werden wir tief in Convolutional Neural Networks (CNNs) eintauchen, von ihrer grundlegenden Architektur bis hin zu fortgeschrittenen Anwendungen. Wir werden interaktive Untersuchungen, praktische Übungen und Übungen durchführen, um ein solides Verständnis der Rolle von CNNs in der Bilderkennung, Klassifizierung und semantischen Segmentierung zu entwickeln.

In diesem Modul werden wir die faszinierende Welt der Autoencoder erkunden und uns dabei auf ihre theoretischen Grundlagen und praktischen Anwendungen konzentrieren. Wir lernen, wie man Autoencoder effektiv implementiert, verstehen ihre vielfältigen Einsatzmöglichkeiten und sammeln praktische Erfahrungen in Programmierübungen.

In diesem Modul werden wir uns mit Transfer Learning und vortrainierten Modellen beschäftigen und erforschen, wie diese Techniken die Effizienz und Effektivität von Deep Learning revolutionieren. Wir werden lernen, diese Methoden in Laborsitzungen praktisch anzuwenden und unsere Deep Learning-Projekte erheblich zu verbessern.

In diesem Modul werden wir rekurrente neuronale Netze (RNNs) und ihre Anwendung bei der Verarbeitung sequenzieller Daten erkunden. Wir werden uns auf Long Short-Term Memory (LSTM) Netzwerke für die Vorhersage von Zeitreihen konzentrieren und praktische Erfahrungen durch Kodierungsübungen und praktische Experimente sammeln.

In diesem Modul lernen wir Shiny kennen, ein Framework zur Entwicklung interaktiver Webanwendungen. Wir lernen seine wesentlichen Komponenten kennen, beschäftigen uns mit der Sprachauswahl und reaktiven Ausdrücken und sammeln praktische Erfahrungen bei der Entwicklung und Bereitstellung von Shiny-Anwendungen für den realen Einsatz.