In diesem Modul lernen Sie die grundlegenden Konzepte neuronaler Netze kennen, darunter das Perceptron-Modell, die Modellparameter und den Back-Propagation-Algorithmus. Sie werden auch lernen, ein neuronales Netz von Grund auf zu implementieren und es zur Klassifizierung von MNIST-Bildern anzuwenden, wobei Sie die Leistung anhand der Bibliotheksfunktion von sklearn bewerten.

In diesem Modul befassen Sie sich mit Techniken zur Verbesserung der Leistung und Generalisierung von Modellen des Maschinellen Lernens. Sie werden die Notwendigkeit der Regularisierung zur Vermeidung von Überanpassung verstehen, L1- und L2-Regularisierungsmethoden vergleichen, Entscheidungsbäume beschneiden, Dropout-Regularisierung in neuronalen Netzen erforschen und beobachten, wie Regularisierung die Entscheidungsgrenzen von Modellen beeinflusst

In diesem Modul werden Sie grundlegende Konzepte und praktische Fähigkeiten im Deep Learning mit PyTorch erlernen. Außerdem lernen Sie Berechnungsgraphen beim überwachten Lernen kennen, erstellen und bearbeiten Tensoren in PyTorch, vergleichen Aktivierungs- und Verlustfunktionen, lernen Implementierungsschritte und Bibliotheksfunktionen für das Training neuronaler Netzwerke kennen und optimieren Modelle, indem Sie sie zur Leistungssteigerung auf GPUs ausführen.

In diesem Modul werden Sie sich auf fortgeschrittene Anwendungen von Convolutional Neural Networks (CNNs) mit PyTorch konzentrieren. Sie werden auch lernen, CNN-Filter zu implementieren, verschiedene CNN-Architekturen zu vergleichen, Modelle für Bildverarbeitungsaufgaben in PyTorch zu entwickeln und Techniken zur Modellierung von Audio-Zeitsignalen mit Spectrogram-Merkmalen für eine verbesserte Analyse und Klassifizierung zu erforschen.