KI-Einstieg für Anfänger in der Praxis (Deep Learning + PyTorch), unverzichtbare KI-Grundlagen

Kursverzeichnis:

1. Kursvorstellung
– Kursinhalte und Lernziele kennenlernen.

2. Aufgabenanalyse neuronaler Netze
– Die von neuronalen Netzen zu erledigenden Aufgaben analysieren, um eine Grundlage für das Lernen zu schaffen.

3. Erläuterung der Methoden zur Modellaktualisierung
– Methoden und Prinzipien der Modellaktualisierung erläutern und Techniken zur Modelloptimierung beherrschen.

4. Berechnungsmethoden der Verlustfunktion
– Die Berechnungsmethoden der Verlustfunktion lernen und die Kriterien zur Bewertung der Modellleistung verstehen.

5. Erläuterung des Ablaufs der Vorwärtspropagation
– Den Ablauf und die Prinzipien der Vorwärtspropagation neuronaler Netze eingehend analysieren.

6. Demonstration der Rückwärtspropagation
– Den Prozess der Rückwärtspropagation praktisch demonstrieren, um das Verständnis zu vertiefen und die Techniken zu beherrschen.

7. Zerlegung der Architektur neuronaler Netze
– Die Gesamtarchitektur neuronaler Netze detailliert analysieren und die Funktionen und Rollen der einzelnen Teile klären.

8. Visuelle Analyse der Ergebnisse
– Visualisierungswerkzeuge nutzen, um die Ergebnisse neuronaler Netze zu analysieren und die Modellleistung zu optimieren.

9. Die Rolle der Anzahl der Neuronen
– Den Einfluss der Anzahl der Neuronen auf die Modellleistung untersuchen und die Netzwerkstruktur optimieren.

10. Vorverarbeitung und Dropout
– Datenvorverarbeitung und die Dropout-Technik lernen, um die Generalisierungsfähigkeit des Modells zu verbessern.

11-25. Convolutional Neural Networks und ihre Anwendungen
– Prinzipien und Anwendungen Convolutional Neural Networks schrittweise analysieren und Bildverarbeitungsaufgaben umsetzen.

26-32. PyTorch-Framework und Datenverarbeitung
– Das PyTorch-Framework und Datenverarbeitungsmethoden eingehend kennenlernen, Modelle aufbauen und trainieren.

33-45. Training von Deep-Learning-Modellen
– Den Trainingsablauf und die Techniken von Deep-Learning-Modellen lernen, um die Modellleistung zu verbessern.

46-60. Textdatenverarbeitung und Training
– Techniken der Textdatenverarbeitung und des Trainings untersuchen und auf Aufgaben der natürlichen Sprachverarbeitung anwenden.

61-69. Modellbereitstellung und Service
– Erlernen Sie Modellbereitstellung und serverseitige Verarbeitung, um Modelle in realen Szenarien anzuwenden.

70-76. Vision-Transformer-Modelle
– Analysieren Sie die Prinzipien und Implementierungsmethoden von Vision-Transformer-Modellen und wenden Sie sie auf die Bildverarbeitung an.

77. Projektquellcode-Debugging und -Praxis
– Demonstrieren Sie den Debugging-Prozess des Projektquellcodes, um den Teilnehmern zu helfen, das Gelernte zu verstehen und anzuwenden.