In diesem Modul werden wir uns mit den grundlegenden Konzepten des Maschinellen Lernens und der Neuronalen Netzwerke beschäftigen. Wir beginnen damit, zu verstehen, was Maschinelles Lernen ist und erforschen lineare Klassifizierung und Regressionstheorien mit TensorFlow 2.0. Anhand von praktischen Beispielen werden Sie lernen, wie Sie diese Theorien mit realen Datensätzen anwenden können. Wir behandeln auch die Struktur und Funktion von Neuronen, den Lernprozess von Modellen und wie man Vorhersagen macht. Darüber hinaus zeigen wir, wie man Modelle speichert und lädt, diskutieren den Einsatz von Keras und sammeln Feedback zur kontinuierlichen Verbesserung.

In diesem Modul tauchen wir in die Welt der künstlichen neuronalen Netze (ANN) mit Vorwärtskopplung ein. Beginnend mit einer Einführung in ANNs werden wir die Vorwärtsausbreitung und die geometrische Bedeutung neuronaler Netzwerke untersuchen. Wir werden verschiedene Aktivierungsfunktionen, die Klassifizierung in mehreren Klassen und die Darstellung von Bilddaten behandeln. Sie werden praktische Erfahrungen sammeln, indem Sie Code für ANN unter Verwendung des MNIST-Datensatzes vorbereiten und ANN-Techniken sowohl für die Klassifizierung von Bildern als auch für Regressionsaufgaben anwenden. Schließlich werden wir Strategien für die Wahl der optimalen Hyperparameter für Ihre neuronalen Netzwerke diskutieren.

In diesem Modul tauchen wir tief in den entscheidenden Aspekt der Verlustfunktionen ein, die in Neuronalen Netzen verwendet werden. Wir beginnen mit dem Verständnis des mittleren quadratischen Fehlers (MSE) aus probabilistischer Sicht, der üblicherweise bei Regressionsaufgaben verwendet wird. Als nächstes werden wir uns mit der binären Kreuzentropie beschäftigen, der geeigneten Verlustfunktion für Probleme der binären Klassifizierung. Schließlich werden wir die kategoriale Kreuzentropie untersuchen, die für Szenarien der Klassifizierung mit mehreren Klassen unerlässlich ist. Darüber hinaus werden wir zwischen verschiedenen Verlustfunktionen und ihren spezifischen Anwendungen unterscheiden, analysieren, wie sich diese Verlustfunktionen auf das Training und die Leistung des Modells auswirken, und lernen, wie man die richtigen Verlustfunktionen je nach Art des Klassifizierungs- oder Regressionsproblems anwendet. Diese detaillierte Studie wird Ihr Verständnis dafür verbessern, wie sich verschiedene Verlustfunktionen auf die Modellleistung auswirken, und Sie bei der Auswahl der richtigen Funktion für Ihre spezifischen Aufgaben unterstützen.

In diesem Modul werden wir uns mit der kritischen Optimierungstechnik des Gradientenverfahrens und seinen Varianten beschäftigen. Wir beginnen mit einer Einführung in das grundlegende Konzept des Gradientenabstiegs, gefolgt von einer Erkundung des stochastischen Gradientenabstiegs und seiner Vorteile. Sie lernen die Rolle des Impulses bei der Beschleunigung der Konvergenz und die Bedeutung variabler und adaptiver Lernraten bei der Optimierung kennen. Anschließend werden wir die Grundlagen der Adam-Optimierung, einem der beliebtesten Algorithmen zur Optimierung, behandeln und abschließend seine fortgeschrittenen Aspekte näher beleuchten. Diese umfassende Studie wird Sie mit einem gründlichen Verständnis des Gradientenverfahrens und seiner Variationen ausstatten, die für das Training effektiver neuronaler Netzwerke unerlässlich sind.