Kurs · 7 Kapitel
Deep Learning
Ein Entscheidungsrahmen-Kurs zu Deep Learning für Ingenieure. Wähle zwischen PyTorch und TensorFlow, beurteile Deep Learning vs. klassisches ML, wäge Transfer Learning ab und verstehe CNNs. 7 Kapitel.
Das wirst du können
- Zwischen PyTorch und TensorFlow wählen
- Wissen, wann Deep Learning klassisches ML schlägt
- Training von Grund auf vs. Transfer Learning entscheiden
- Die richtige Computer-Vision-Aufgabe wählen
- Trainings-Hyperparameter optimieren
- Verstehen, wie CNNs Bilder erkennen
Was drin ist
- 1DL-Frameworks: PyTorch und TensorFlow
Ein Entscheidungsleitfaden zu den zwei dominierenden Deep-Learning-Frameworks — ihre Philosophien, Ökosysteme und die praktischen Faktoren, die deine Wahl bestimmen sollten.
- 2Von Grund auf trainieren vs. Transfer Learning
Die erste strategische Entscheidung nach der Wahl von Deep Learning: ein neues Netzwerk von null trainieren oder auf den Schultern vortrainierter Giganten stehen.
- 3DL vs ML: Wann Tiefe gewinnt
Ein Entscheidungsframework zur Wahl zwischen Deep Learning und klassischem Machine Learning — basierend auf deinen Daten, Rechenressourcen, Zeitvorgaben und Anforderungen an Interpretierbarkeit.
- 4Deep Learning: Starte hier
Eine 12-minütige Orientierung zum Deep-Learning-Lernpfad — warum er existiert, was du bauen wirst, wie die sechs Kapitel zusammenhängen und wo du beginnen solltest.
- 5Typen von Vision-Aufgaben
Bildklassifikation, Objekterkennung und Segmentierung — wähle die richtige Computer-Vision-Aufgabe, bevor du eine Architektur wählst.
- 6Trainingstechniken für Deep Learning
Das vollständige Werkzeugset für das Training neuronaler Netze — Batch-Größe, Lernraten, Verlustfunktionen, Aktivierungen, Optimizer, Regularisierung und Early Stopping.
- 7CNNs (Convolutional Neural Networks)
Entwirf, trainiere und interpretiere die Architektur, die modernes Computer Vision antreibt — von der ersten Faltung bis zum Produktionseinsatz.
Häufige Fragen
- Was lerne ich in diesem Deep-Learning-Kurs?
- Du lernst, die wichtigsten Entscheidungen bei Deep-Learning-Projekten zu treffen: die Wahl zwischen PyTorch und TensorFlow, die Beurteilung, wann Deep Learning klassisches ML übertrifft, das Abwägen von Transfer Learning gegenüber Training von Grund auf, die Auswahl der richtigen Computer-Vision-Aufgabe, das Nachdenken über Trainingsparameter wie Lernraten und Regularisierung sowie das Verständnis, wie CNNs für Vision aufgebaut sind.
- Ist das ein praxisorientierter Programmierkurs oder ein konzeptioneller?
- Es ist ein Entscheidungsrahmen-Kurs. Die Kapitel konzentrieren sich auf die Abwägungen und die Überlegungen hinter der Framework-Wahl, der Modellstrategie, den Vision-Aufgaben und dem Training – anstatt schrittweise durch Programmierlabore zu führen. Der Kurs setzt voraus, dass du eigenständig Code schreiben kannst.
- Für wen ist dieser Deep-Learning-Pfad gedacht?
- Er richtet sich an Ingenieure und ML-Praktiker, die ein klares mentales Modell für Deep-Learning-Entscheidungen entwickeln möchten. Er ist Teil des KI-für-Ingenieure-Tracks und setzt voraus, dass du sicher im Programmieren bist und die Grundlagen des maschinellen Lernens kennst.
- Wie lang ist der Kurs und gibt es ein Zertifikat?
- Der Pfad umfasst ca. 2,3 Stunden in 7 Kapiteln und beginnt mit einem kurzen 'Start Here'-Orientierungskapitel. Nach Abschluss des Pfads erhältst du ein Abschlusszertifikat, das du teilen kannst.
- Ist dieser Kurs kostenlos?
- Nein, dies ist ein kostenpflichtiger Pfad, der mit einem AI Academy by Anthropos-Abonnement verfügbar ist.
Zertifikat erhalten
Schließe alle Kapitel ab, um dein Abschlusszertifikat zu erhalten.