Ziel: Überblick über den Kurs. Klassifikation von Bildern mithilfe vortrainierter neuronaler Netze. Umtrainieren eines vortrainierten CNNs (Transfer Learning).

• Vortrainierte neuronale Netze
• Image Datastores
• Transfer Learning
• Netzwerkevaluation

Ziel: Visualisierung der Zwischenergebnisse eines CNNs.

• Abgreifen von Netzwerkaktivierungen
• Erzeugen von Bildern aus Signaldaten
• Extrahieren von Merkmalen

Ziel: Einblick in die Funktionsweise neuronaler Netze und der verschiedenen Netzwerkschichten.

• Training eines untrainierten neuronalen Netzes
• Neuronale Netze
• Faltungen und Filter

Ziel: Einblick in die Funktionsweise verschiedener Trainingsalgorithmen. Trainingsoptionen zur Beobachtung und Kontrolle des Trainingsprozesses.

• Trainingsprozess
• Visualisierung des Trainingfortschritts
• Validierung des Ergebnisses

Ziel: Anpassung des Trainingsalgorithmus, der Netzwerkarchitektur, oder der Trainingsdaten um die Netzwerkperformance zu erhöhen.

• Trainingsparameter
• Augmented Datastores
• Directed Acyclic Graph (DAG) Netzwerke

Ziel: Verwendung von CNNs zur Vorhersage kontinuierlicher numerischer Variablen.

• Transfer Learning für Regressionsprobleme
• Evaluierung von Regressionsnetzwerken

Ziel: Verwendung neuronaler Netze zur Lokalisierung und Beschriftung von Objekten in Bildern.

• Objekterkennung

Ziel: Erzeugen und trainieren neuronaler Netze zur Klassifikation von Zeit- und Meßreihen.

• Long Short-Term Memory (LSTM) Netzwerke
• Klassifikation von Sequenzdaten
• Vorverarbeitung von Sequenzdaten

Ziel: Verwendung rückgekoppelter Netzwerke zur Klassifikation kategorialer Sequenzen, wie z.B. Text.

• Kategoriale Sequenzen
• Textklassifizierung

Ziel: Verwendung rückgekoppelter neuronaler Netze zur Vorhersage von Sequenzen

• Sequence-to-Sequence Learning
• Vorhersage von Sequenzdaten