Lernpfad Deep Learning Odyssey - Online-Lernen mit Zertifikat

Deep Learning Odyssey

Advanced

5.0

3 reviews

20 Learners

Updated 11/2025

Beginnen Sie mit den grundlegenden Prinzipien der Funktionsweise neuronaler Netze und entwickeln Sie sich weiter zum Aufbau und Training eigener Model…

124

Chapters

Learning hours

177

Assignments

AI Assistant

Shareable Certificate

Ergebnisse

Track content

Related courses and projects

Erfahrungsberichte

Funktionen

Preise

Ergebnisse

Track content

Related courses and projects

Erfahrungsberichte

Funktionen

Preise

Was Sie lernen werden

Clean and prepare data for machine learning

Understand neural network concepts

Explore PyTorch for neural network training

Transform raw data into usable features

Build neural networks with scikit-learn

Apply CNNs for image classification tasks

Engineer features to improve model performance

Implement neural networks using TensorFlow

Use RNNs for sequence and time series data

Learning track content

Beherrschung der grundlegenden Schritte zur Bereinigung und Vorbereitung von Rohdaten für Analyse und maschinelles Lernen.

Verständnis Der Datenqualität

Umgang mit Fehlenden Werten

Umgang mit Duplikaten und Ausreißern

Herausforderung: Datenbereinigung

Rohdaten in verwendbare Merkmale für ML-Modelle umwandeln.

Skalierung und Normalisierung

Kodierung Kategorialer Variablen

Merkmaltransformation und -Extraktion

Herausforderung: Transformationsraster

Entwicklung und Auswahl von Merkmalen zur Verbesserung der Modellleistung und Interpretierbarkeit.

Grundlagen der Merkmalsauswahl

Erstellung von Interaktionsmerkmalen

Automatisierung der Vorverarbeitung mit Pipelines

Herausforderung: Preprocessing-Pipeline

Zunächst besprechen wir, was ein neuronales Netzwerk ist und wie es funktioniert. Außerdem betrachten wir den Anwendungsbereich.

Was ist ein Neuronales Netzwerk?

Anwendungen des Deep Learning in der realen Welt

Neuronale Netzwerke oder Traditionelle Modelle

Struktur Neuronaler Netzwerke

Was ist ein Neuron?

Aktivierungsfunktionen

Vorwärts- und Rückwärtspropagation

Als Nächstes werden wir versuchen, ein eigenes neuronales Netzwerk zu erstellen und beobachten, wie effizient es das Lernen bewältigt. Außerdem betrachten wir eine fertige Lösung aus der scikit-learn-Bibliothek.

Implementierung Eines Einzelnen Neurons

Herausforderung: Erstellung Eines Neurons

Perzeptron-Schichten

Herausforderung: Erstellung eines Perzeptrons

Vorwärtspropagation

Verlustfunktion

Rückwärtspropagation

Implementierung der Backpropagation

Modelltraining

Herausforderung: Training des Perzeptrons

Modelbewertung

Herausforderung: Bewertung des Perzeptrons

Neuronales Netzwerk mit Scikit-Learn

Abschließend erhalten Sie zusätzliche nützliche Informationen darüber, wie Sie das passende Modell auswählen und welche Arten von neuronalen Netzen existieren. Zum Abschluss des Kurses wird Ihr erworbenes Wissen überprüft.

Andere Arten von Neuronalen Netzwerken

Hyperparameter-Optimierung

Herausforderung: Automatische Hyperparameter-Optimierung

Quiz: Grundlagen Der Neuronalen Netze

Zusammenfassung

Sie erhalten ein grundlegendes Verständnis der Hauptkomponenten von TensorFlow – Tensors. Sie befassen sich mit der Natur und den Anwendungsbereichen von Tensors, machen sich mit deren Eigenschaften vertraut und erwerben Kenntnisse über grundlegende mathematische Operationen.

Willkommen Bei TensorFlow

Einführung in Tensoren

Tensor-Eigenschaften

Anwendungen von Tensoren

Stapel

Erstellung von Tensoren

Reduktionsoperationen

Sie erfahren, wie Tensorflow funktioniert und wie dessen Leistung optimiert werden kann. Am Ende dieses Moduls sind Sie in der Lage, grundlegende neuronale Netze oder andere Tensorberechnungen ausschließlich mit der Tensorflow-Bibliothek ohne zusätzliche Erweiterungen umzusetzen.

Erstellung Einer Neuronalen Netzwerkschicht

Gradient-Tape

Graphausführung

Implementierung Neuronaler Netzwerke

Zusammenfassung

Erkunden der Grundlagen von PyTorch mit Schwerpunkt auf Tensors – der zentralen Datenstruktur für Berechnungen. Vermittlung von Tensor-Erstellung, zufälliger Initialisierung, mathematischen Operationen und Formmanipulation.

Was ist PyTorch?

Einführung in Tensoren

Funktionen Zur Tensorerstellung

Herausforderung: Initialisierung von Tensoren

Erstellen von Zufälligen Tensoren

Herausforderung: Initialisierung von Modellgewichten und -Biases

Mathematische Operationen mit Tensoren

Herausforderung: Durchführung Mathematischer Operationen

Formen und Dimensionen in PyTorch

Herausforderung: Umformen von Tensoren

Erkunden zentraler Konzepte für das Trainieren von Modellen in PyTorch, einschließlich der Berechnung von Gradienten und der Durchführung mehrstufiger Backpropagation. Vertiefung der linearen Regression als grundlegendes Machine-Learning-Modell sowie Einführung in die effiziente Handhabung von Datensätzen.

Gradienten in PyTorch

Mehrstufige Rückpropagation

Lineare Regression

Herausforderung: Implementierung der Linearen Regression

Arbeiten mit Datensätzen

Herausforderung: Vorbereitung des Iris-Datensatzes

Erfahren Sie, wie neuronale Netzwerke mit PyTorch erstellt, trainiert und bewertet werden. Sie lernen, wie ein einfaches Feedforward-Neuronales Netzwerk definiert, seine Parameter durch Training optimiert und seine Leistung bewertet wird.

Erstellung Eines Einfachen Neuronalen Netzwerks

Training des Modells

Bewertung des Modells

Herausforderung: Klassifizierung von Blumen

Computer Vision ermöglicht es Maschinen, visuelle Daten zu interpretieren und zu analysieren, indem sie die menschliche Wahrnehmung nachahmen. Dieser Abschnitt behandelt die Grundlagen der Bilddarstellung, Farbmodelle und mathematischen Grundlagen, die für das Verständnis der Bildverarbeitung durch Computer wesentlich sind. Es werden praxisnahe Anwendungen vorgestellt, von autonomen Fahrzeugen bis zur medizinischen Bildgebung, sowie die Integration von Computer Vision mit KI und maschinellem Lernen erläutert.

Was ist Computer Vision?

Grundlagen der Bildverarbeitung

Lineare Algebra für Bildmanipulation

OpenCV ist eine leistungsstarke Bibliothek für Bildmanipulation und Aufgaben der Computer Vision. Dieser Abschnitt behandelt grundlegende Techniken wie Bildfilterung, Transformationen, Kantenerkennung und Segmentierung. Es werden Methoden wie Weichzeichnung, Thresholding, Konturenerkennung und Merkmalsextraktion vorgestellt, um Bilder effizient zu verbessern und zu analysieren.

Grundlegende Transformationen

Fourier-Transformation

Tiefpass- und Hochpassfilter

Rauschreduzierung und Glättung

Histogrammausgleich

Super-Resolution-Techniken

Kantenerkennung

Ecken- und Blob-Erkennung

CNNs verarbeiten visuelle Daten mithilfe von Faltung, Pooling und Aktivierungsschichten, um Merkmale für Aufgaben wie Bildklassifikation und Objekterkennung zu extrahieren. Zentrale Komponenten sind Padding, Faltung zur Merkmalsextraktion, Pooling zur Komplexitätsreduktion und Aktivierung für Nichtlinearität. Bekannte Architekturen wie AlexNet, VGG und ResNet treiben KI in Bereichen wie Gesundheitswesen, Autonomie und Sicherheit an.

Einführung in Convolutional Neural Networks

Faltungsschichten

Pooling-Schichten

Flattening

Aktivierungsfunktionen

Überblick Über Beliebte CNN-Modelle

Herausforderung: Aufbau eines Convolutional Neural Network

Objekterkennung ist eine grundlegende Aufgabe im Bereich Computer Vision, bei der Objekte innerhalb eines Bildes identifiziert und lokalisiert werden. Im Gegensatz zur Bildklassifikation, bei der einem gesamten Bild ein einzelnes Label zugewiesen wird, klassifiziert die Objekterkennung nicht nur Objekte, sondern bestimmt auch deren Positionen mithilfe von Begrenzungsrahmen. Dieser Abschnitt behandelt zentrale Techniken und Algorithmen der Objekterkennung, von traditionellen Methoden bis hin zu Deep-Learning-basierten Ansätzen wie YOLO und U-Net.

Objektlokalisierung

Objekterkennung

Vorhersagen von Begrenzungsrahmen

Intersection over Union (IoU) und Bewertungsmetriken

Non-Maximum Suppression (NMS)

Ankerboxen

Überblick Über Das YOLO-Modell

Herausforderung: Objekterkennung mit benutzerdefiniertem Modell und YOLO

Die Computer Vision hat sich im Laufe der Jahre erheblich weiterentwickelt und ist von grundlegenden Bildverarbeitungsmethoden zu komplexen Deep-Learning-Techniken übergegangen. Dieser Abschnitt befasst sich mit den neuesten Innovationen im Bereich Computer Vision und legt den Schwerpunkt auf Transfer Learning, Gesichtserkennung und Bildgenerierung. Es werden die Vorteile vortrainierter Modelle für die Leistungsfähigkeit, die Prinzipien der Gesichtserkennungstechnologie sowie die Bildgenerierung durch KI mittels Deep Learning untersucht.

Transfer Learning in Computer Vision

Überblick Über Gesichtserkennung

Überblick Über Die Bildgenerierung

Behandelt die Einschränkungen traditioneller neuronaler Netze bei sequenziellen Daten und führt in die Grundlagen von Rekurrenten Neuronalen Netzen ein. Erläutert RNN-Architektur, Typen und die schrittweise Implementierung anhand grundlegender Beispiele und einer Programmieraufgabe.

Schwächen von ANNs

Wie Funktionieren RNNs?

Arten von RNNs

Implementierung eines Einfachen RNN

Herausforderung: Implementierung des Grundlegenden RNN

Untersucht häufige Trainingsherausforderungen wie verschwindende und explodierende Gradienten. Stellt fortgeschrittene RNN-Varianten wie LSTM und GRU vor, hebt deren interne Mechanismen und Anwendungsfälle hervor und bietet praktische Implementierungsbeispiele für jede Variante.

Verschwindende und Explodierende Gradienten

Sigmoid- und Tanh-Aktivierungen

Long Short-Term Memory (LSTM)-Netzwerke

Beispiel Für LSTM

Gated Recurrent Units (GRU)

Wann LSTM und GRU Verwenden

Konzentriert sich auf die Verarbeitung und Prognose von Zeitreihendaten mithilfe von RNN-basierten Modellen. Beinhaltet das Laden von Daten, Vorverarbeitungstechniken, Modelltraining und Leistungsevaluierung, mit Schwerpunkt auf dem Vergleich von LSTM- und GRU-Architekturen.

Einführung in die Zeitreihenprognose

Daten Laden

Vorverarbeitung von Zeitreihendaten

Training und Evaluierung eines RNN

LSTM vs. GRU für Zeitreihen

Herausforderung: Zeitreihenprognose mit LSTM

Demonstriert die Anwendung von RNNs auf Aufgaben der Textklassifikation. Behandelt zentrale NLP-Konzepte, Methoden der Textkodierung, Schritte der Datenvorbereitung sowie den Aufbau eines LSTM-basierten Modells zur Sentimentvorhersage.

Grundlagen der NLP

Textkodierung

Laden und Vorverarbeiten der Daten

Sentimentanalysemodell

Herausforderung: Entwicklung eines LSTM für Sentiment-Analyse

Steigere deine Tech-Fähigkeiten!

mit bis zu 55% Rabatt

Features:

*Tracks not included in Pro plan

500+ Top-bewertete KurseFortschrittlicher KI-Copilot

Personalisierte Lernpfade40+ praxisnahe Projekte

Ohne Kündigung, bevor der ausgewählte Rabattplan endet, akzeptiere ich, dass Codefinity automatisch belastet $104 alle 3 Monate bis ich kündige. Erfahren Sie mehr über die Stornierungs- und Rückerstattungsrichtlinien in Abonnementbedingungen.

Recommended Courses and Projects

Course without tasks for flow test

Course for E2E testing

TEST COURSE WITH ALL TYPES OF COLUMN CHAPTERS

test python course with 6 sections

Testing Video Player

Test mobile outline course

Super course

Durchführung von A/B-Tests

In der Geschäftswelt kann die Entscheidungsfindung auf Basis von belastbaren Daten statt Intuition der Schlüssel zum Erfolg sein. Dieser Kurs konzentriert sich auf eine entscheidende Technik: die Analyse von A/B-Testdaten. Das Herzstück des Kurses ist ein Projekt, bei dem Sie eine detaillierte Analyse eines A/B-Tests durchführen. Dieses Projekt, das Sie in Ihrem Lebenslauf präsentieren können, wird auf Codefinity gehostet, sodass Sie es kontinuierlich weiterentwickeln und Ihre wachsende Expertise demonstrieren können.

TEST FREE COURSE

description

TEST SHORT VIDEO COURSE

TEST COMPARE MODE

description

Test e2e new task ui

Some

SAVE CODE SNIPPET TEST

description

TEST COLUMN AI ASSISTANT PYTHON

description

Erkenntnisse Zur Städtischen Fahrradvermietung Erkunden

Dieser Kurs führt Sie durch die Analyse und Visualisierung, wie Wetter- und saisonale Faktoren die tägliche Nachfrage nach Fahrradvermietungen anhand von realen Daten beeinflussen.

Discover more Learning Tracks

Spur

TEST TRACK 12

Anfänger

Full Stack Webentwicklung

Anfänger

Werden Sie Ein React-Entwickler

Mittelstufe

Beherrschung der Datenvisualisierung

Mittelstufe

SQL von Null bis Held

Anfänger

C++ Grundlagen

Anfänger

Python von Null bis Held

Anfänger

Beherrschung des Maschinellen Lernens

Mittelstufe

Python Über das Mittlere Niveau Hinaus

Anfänger

Java-Grundlagen

Anfänger

Spielentwicklung Mit Unity

Anfänger

Become a Django Developer

Fortgeschritten

Warum Menschen Codefinity wählen

Web Developer

Kwizera Mugisha

The teaching methodology at Codefinity is excellent, and I particularly appreciate how it has prepared me to handle real-world coding problems. Currently, I am delving into Node.js and eagerly anticipate building full-stack projects that integrate all the knowledge I have gained.

Senior Business Analyst

Sherry Barnes-Fox

My first course was 4 hours, I did it in a few days, "nugget-style". The instructions are very clear and easy to understand. There is even a hint to help you get the answer. I love the learning style that is used, it engages me.

Accounts Payable Specialist

Bill Wagner

I have really liked the browser-based lessons that allow me to code within the lesson. The RUN button allows me to test the code I write before submitting for a grade.

IT Support Specialist

Daniel Chinea

I have gained a lot of practical and logical thinking skills, along with patience for myself and confidence in myself that I can learn programming. Years ago, I would have never thought that I could learn programming in any way, shape or form, and I was able to obtain these certifications and skills with Codefinity.

Technology Project Manager

Steve Bruening

The learning was progressive and made it easy to follow along and make progress. I could feel my skills increasing and building on each other as the course went along.

Project Manager

Stephanie Chan

As I went through the first course of the Python track, I liked the way the course was lay out (in easy and digestible modules) with little exercises at the end of each concept.

Step-by-Step to Stellar Results

Interaktive Programmierumgebung

Tauche in unsere interaktive Umgebung ein: Schreibe und führe deinen Code mit Echtzeit-Feedback und Erfolgsmetriken aus—lerne bei jedem Schritt durch Praxis.

KI-gestützte Unterstützung

Nutze den integrierten KI-Assistenten, um Fehler zu erklären, Korrekturen vorzuschlagen oder Fragen zu deinem Code zu beantworten—so bleibst du produktiv und kommst nie ins Stocken.

Check your progress

Schließe jedes Modul mit einem kurzen Quiz ab, das sofortiges Feedback liefert, deinen Fortschritt verfolgt und sicherstellt, dass du die wichtigsten Konzepte beherrschst.

Promote your expertise

Erhalte dein branchenanerkanntes Zertifikat nach Abschluss und teile es mit einem Klick auf LinkedIn—lass dein Netzwerk sehen, was du kannst.

Vertraut von Mitarbeitern führender Unternehmen
und Studenten führender Universitäten

Zugriff auf den gesamten Katalog

Ein Abonnement eröffnet Ihnen diesen Kurs und unseren gesamten Katalog von Projekten und Fähigkeiten.

Features:

500+ Top-bewertete KurseFortschrittlicher KI-Copilot

Personalisierte Lernpfade40+ praxisnahe Projekte

Probiere Codefinity mit Vertrauen aus – 30-Tage-Geld-zurück-Garantie inklusive

Um dich bei Codefinity willkommen zu heißen, bieten wir bis zu 64% Rabatt auf unsere Kurse. Außerdem haben wir eine 30-Tage-Geld-zurück-Garantie, damit du uns risikofrei ausprobieren kannst.Wir freuen uns wirklich darauf, dich auf unserer Plattform willkommen zu heißen und sind bestrebt, dein Lernerlebnis einfach, interaktiv und unterhaltsam zu gestalten.

Ready to get started?

Pro

Best intro offer

Ultimate

A complete experience
to kickstart your career

500+ Top-Rated courses

Completion certificates

Early access to new courses

40+ hands-on Real-world projects

Personalized study tracks

Unlimited workspaces

Sofortiger Zugriff auf 500+ Kurse

Unbegrenztes Lernen, sofortiger ZugriffErhalte vollen Zugriff auf alle Kurse und Tracks, einschließlich Videoinhalten, Quiz und ausführlichen Materialien—beginne jederzeit mit dem Lernen.

Branchenanerkannte ZertifikateErhalte Zertifikate, die deine Expertise bestätigen und deine Karriere in Tech, KI, Daten, Marketing und darüber hinaus fördern.

KI-unterstütztes LernenErhalte personalisierte Hinweise, Echtzeit-Feedback und KI-gestützte Erklärungen, um deinen Fortschritt zu beschleunigen.

Ständig wachsend: Neue Kurse & KarrierepfadeBleibe mit ständig aktualisierten Kursen, Karriereplänen, Herausforderungen und praktischen Tests auf dem neuesten Stand.

Baue relevante Fähigkeiten aufMeistere gefragte Fähigkeiten mit Kursen in KI, Datenwissenschaft, Programmierung, Marketing, Automatisierung, Webentwicklung und mehr.

Interaktives & nahtloses LernenBeteilige dich an praxisnahen Projekten, realen Übungen und einem intuitiven Lernerlebnis — keine zusätzlichen Werkzeuge erforderlich.

Was Sie lernen werden

TEST TRACK 12

Full Stack Webentwicklung

Werden Sie Ein React-Entwickler

Beherrschung der Datenvisualisierung

SQL von Null bis Held

C++ Grundlagen

Python von Null bis Held

Beherrschung des Maschinellen Lernens

Python Über das Mittlere Niveau Hinaus

Java-Grundlagen

Spielentwicklung Mit Unity

Become a Django Developer

Warum Menschen Codefinity wählen

Vertraut von Mitarbeitern führender Unternehmen und Studenten führender Universitäten

Zugriff auf den gesamten Katalog

Probiere Codefinity mit Vertrauen aus – 30-Tage-Geld-zurück-Garantie inklusive

Sofortiger Zugriff auf 500+ Kurse

Vertraut von Mitarbeitern führender Unternehmen
und Studenten führender Universitäten