Foundations of Deep Learning – Start des Micro-Degrees

Dies ist das Micro-Degree-Programm der Kursreihe "Foundations of Deep Learning", bestehend aus drei Kursen, die eine umfassende Einführung in das moderne Deep Learning bieten. Im Abschnitt "Basics" lernen die Lernenden zunächst zentrale Prinzipien wie die Architektur neuronaler Netze, Backpropagation, Optimierung und Regularisierung. Der Abschnitt "Architectures & Methodology" beschäftigt sich mit spezialisierten Modellen wie CNNs, RNNs und Transformern und behandelt gleichzeitig praktische Fähigkeiten wie Transfer Learning und Debugging. Im letzten Abschnitt "Advanced Topics" werden Themen wie generative Modelle, Unsicherheitsabschätzung und Hyperparameter-Optimierung eingeführt. Nach Abschluss aller drei Kurse wird ein Micro Degree Zertifikat ausgestellt. Nach dem Klick auf den Button "Einschreiben/zum Kurs" ist das Zertifikat im Kursabschnitt "Micro Degree Zertifikat" zu finden.

Die drei Online-Kurse dieses Micro-Degree-Programms behandeln:

• Kernkonzepte neuronaler Netze: Erlernen Sie die Grundlagen von Multi-Layer Perceptrons (MLPs), den Backpropagation-Algorithmus und wichtige Optimierungstechniken für das Training tiefer Netzwerke.
• Regularisierung und Modellrobustheit: Entdecken Sie Methoden wie Dropout, Datenaugmentation und Ensembling, um Overfitting zu verhindern und die Generalisierbarkeit zu verbessern.
• Spezialisierte Architekturen: Verstehen Sie, wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und Transformer für verschiedene Datentypen und Aufgaben eingesetzt werden.
• Praktische Deep-Learning-Fähigkeiten: Sammeln Sie praktische Erfahrungen beim Debuggen, Transfer Learning, Self-Supervised Learning und bei der Entwicklung von Modellen für die reale Welt.
• Fortgeschrittene Themen und Modellabstimmung: Tauchen Sie ein in generative Modelle (VAEs, GANs, Diffusionsmodelle), Unsicherheitsabschätzung und Hyperparameter-Optimierung (HPO) für leistungsstarke Deep-Learning-Systeme.

Nach Abschluss dieses Mikro-Abschlussprogramms werden Sie

• Die Grundlagen neuronaler Netzwerke verstehen, erklären, wie zentrale Komponenten wie MLPs, Aktivierungsfunktionen, Verlustfunktionen und Backpropagation funktionieren und wie sich Lernen von Optimierung unterscheidet.
• Tiefenlernverfahren anwenden und vergleichen, wichtige Optimierungsalgorithmen (z. B. SGD, Adam), Regularisierungsmethoden (z. B. Dropout, Early Stopping) und Normalisierungstechniken beschreiben, um Training und Generalisierung zu verbessern.
• Fortgeschrittene neuronale Architekturen analysieren und entwerfen, die Struktur und Funktion von CNNs, RNNs (einschließlich LSTMs und GRUs), Aufmerksamkeitsmechanismen und der Transformer-Architektur verstehen.
• Praktische Deep-Learning-Strategien umsetzen, Konzepte wie Transferlernen, selbstüberwachtes Lernen und Debugging-Techniken anwenden, um robuste und effiziente Deep-Learning-Systeme zu entwerfen.
• Generative Modelle und Modellunsicherheit erforschen, die Funktionsweise von Autoencodern, GANs, Diffusionsmodellen erklären sowie Methoden zur Unsicherheitsabschätzung (z. B. Variationelle Inferenz, MCMC) und Techniken zur Hyperparameteroptimierung beschreiben.

Um das Micro-Degree zu erhalten, müssen Lernende die drei Online-Kurse „Foundations of Deep Learning“ abgeschlossen haben, also Basics, Architectures & Methodology, Advanced Topics. Das Transcript of Records steht allen zur Verfügung, die in allen Kursen durch das Absolvieren der benoteten Aktivitäten mindestens 60 % der Gesamtpunktzahl erreicht haben.