In diesem Modul werden wir uns mit den Grundlagen des Maschinellen Lernens beschäftigen. Sie werden mit einer Einführung in die Künstliche Intelligenz und ihre Kernkonzepte beginnen. Anschließend werden in diesem Modul die Grundlagen des Maschinellen Lernens erforscht und ein Überblick über verschiedene Modelle des Maschinellen Lernens gegeben, um die Grundlage für fortgeschrittenere Themen zu schaffen.

In diesem Modul werden wir die grundlegenden Konzepte des Deep Learning erforschen. Sie erhalten Einblicke in Deep-Learning-Modelle, ihre Leistungsbewertung und die Entwicklung von Perceptrons zu neuronalen Netzwerken. Das Modul deckt auch verschiedene Arten von Netzwerkschichten, Aktivierungsfunktionen, Verlustfunktionen und Optimierungstechniken ab und vermittelt ein solides Verständnis von Deep Learning-Frameworks.

In diesem Modul werden wir uns auf die Bewertung von Modellen des Maschinellen Lernens konzentrieren. Sie werden etwas über Underfitting und Überanpassung lernen und wie Sie diese Probleme abmildern können. Das Modul behandelt auch die Training-Test-Split-Methode und ihre Bedeutung für die Modellevaluation sowie verschiedene Resampling-Techniken, um unausgewogene Datensätze effektiv zu verwalten.

In diesem Modul führen wir Sie durch den Aufbau eines Neuronalen Netzes von Grund auf. Sie beginnen mit der Datenvorbereitung und der Initialisierung des Modells und fahren mit der Implementierung wesentlicher Funktionen wie der Vorwärts- und Rückwärtspropagation fort. Das Modul behandelt auch Trainings- und Evaluierungstechniken, die Ihnen helfen, Ihr Modell eines Neuronalen Netzes effektiv aufzubauen und zu bewerten.

In diesem Modul werden wir das Konzept der Tensoren und ihre Bedeutung in PyTorch erkunden. Sie werden die Beziehung zwischen Tensoren und Berechnungsgraphen kennenlernen und durch Code-Übungen praktische Erfahrungen mit Tensor-Operationen sammeln. Ziel dieses Moduls ist es, Sie mit den Fähigkeiten auszustatten, Tensoren in realen Szenarien des Maschinellen Lernens anzuwenden.

In diesem Modul führen wir Sie in die Modellierung mit PyTorch ein. Sie werden lernen, Modelle von Grund auf zu erstellen und zu trainieren, einschließlich linearer Regression. Das Modul behandelt die Batch-Verarbeitung, Datensätze und Datenlader, um Daten effektiv zu verwalten. Sie werden auch Techniken zum Speichern, Laden und Optimieren von Modellen, einschließlich der Abstimmung von Hyperparametern, kennenlernen, um Ihren Workflow des Maschinellen Lernens zu verbessern.