Revolutionieren Sie den Technologiesektor dank dieses Weiterbildender Masterstudiengang in Deep Learning"

Die rasante technologische Entwicklung der letzten Jahre hat das selbstfahrende Auto, die Früherkennung schwerer Krankheiten durch hochpräzise bildgebende Geräte oder die Gesichtserkennung durch mobile Anwendungen in greifbare Nähe gerückt. Diese neuen Innovationen zielen heute darauf ab, die Präzision der Automatisierung und die Qualität der erzielten Ergebnisse zu verbessern.

Ein Szenario, in dem der Informatiker eine entscheidende Rolle spielt, da er über fundierte Kenntnisse des Deep Learning verfügen und in der Lage sein muss, im Wettlauf der Industrie um die Schaffung einer echten künstlichen Intelligenz einen Schritt weiter zu gehen. Aus diesem Grund hat TECH diesen privaten 12-monatigen privaten Masterstudiengang mit dem fortschrittlichsten und aktuellsten Lehrplan entwickelt, der von echten Experten auf diesem Gebiet ausgearbeitet wurde.

Ein Programm mit theoretisch-praktischer Perspektive, das dem Studenten ein intensives Lernen der mathematischen Grundlagen, der Konstruktion neuronaler Netze, der Modellanpassung und des Trainings mit TensorFlow ermöglicht. Der umfangreiche Inhalt wird durch Videozusammenfassungen zu jedem Thema, Videos in Focus, Fachliteratur und Fallstudien erleichtert. Darüber hinaus ermöglicht das von TECH eingesetzte Relearning-System dem Informatiker ein natürlicheres Fortschreiten durch das Programm, eine leichtere Festigung der neuen Konzepte und somit eine Verkürzung der langen Studienzeiten.

Eine wissensbasierte universitäre Weiterbildung, die dem Studenten, der eine erstklassige akademische Option mit seinen täglichen Aktivitäten verbinden möchte, dabei hilft, sich beruflich weiterzuentwickeln. Alles, was man braucht, ist ein digitales Gerät mit Internetanschluss, um jederzeit auf diesen Studiengang zugreifen zu können, der an der Spitze der akademischen Welt steht.

Führen Sie Ihre KI-Projekte in Sektoren wie Automobil, Finanzen oder Medizin mit der Fortbildung von TECH zum Erfolg“

Dieser Weiterbildender Masterstudiengang in Deep Learning enthält das vollständigste und aktuellste Programm auf dem Markt. Die hervorstechendsten Merkmale sind:

• Die Erarbeitung von Fallstudien, die von Experten in Data Engineering und Data Science vorgestellt werden
• Der anschauliche, schematische und äußerst praxisnahe Inhalt vermittelt alle für die berufliche Praxis unverzichtbaren wissenschaftlichen und praktischen Informationen
• Praktische Übungen, bei denen der Selbstbewertungsprozess zur Verbesserung des Lernens genutzt werden kann
• Sein besonderer Schwerpunkt liegt auf innovativen Methoden
• Theoretische Vorträge, Fragen an den Experten, Diskussionsforen zu kontroversen Themen und individuelle Reflexionsarbeit
• Die Verfügbarkeit des Zugriffs auf die Inhalte von jedem festen oder tragbaren Gerät mit Internetanschluss

Lernen Sie in aller Ruhe die Transformers-Bibliotheken von Hugging Face und andere Tools zur Verarbeitung natürlicher Sprache kennen, die Sie auf Visionsprobleme anwenden können"

Das Dozententeam des Programms besteht aus Fachleuten aus der Branche, die ihre Erfahrungen aus ihrer Arbeit in diese Fortbildung einbringen, sowie aus anerkannten Spezialisten von führenden Gesellschaften und renommierten Universitäten.

Die multimedialen Inhalte, die mit der neuesten Bildungstechnologie entwickelt wurden, werden der Fachkraft ein situiertes und kontextbezogenes Lernen ermöglichen, d. h. eine simulierte Umgebung, die eine immersive Fortbildung bietet, die auf die Ausführung von realen Situationen ausgerichtet ist

Das Konzept dieses Programms konzentriert sich auf problemorientiertes Lernen, bei dem die Fachkraft versuchen muss, die verschiedenen Situationen aus der beruflichen Praxis zu lösen, die während des gesamten Studiengangs gestellt werden. Zu diesem Zweck wird sie von einem innovativen interaktiven Videosystem unterstützt, das von renommierten Experten entwickelt wurde.

Sie haben Zugang zu einem fortgeschrittenen Lehrplan für Deep Learning, 24 Stunden am Tag, von jedem digitalen Gerät mit einer Internetverbindung"

Ein 12-monatiger Weiterbildender Masterstudiengang mit der Anwendung von Deep Learning-Techniken auf reale Probleme"

Der Lehrplan dieses Universitätsabschlusses nimmt die Studenten mit auf eine akademische Reise durch die mathematischen Grundlagen des Deep Learning, seine Prinzipien, das Training tiefer neuronaler Netze, die Visualisierung der Ergebnisse und die Bewertung von Deep Learning-Modellen. Umfassende Inhalte, die durch zahlreiche innovative Lehrmittel ergänzt werden, bilden die virtuelle Bibliothek dieses Programms.

Mit dem Relearning-System verabschieden Sie sich vom stundenlangen Lernen und erhalten einen viel effektiveren und einfacheren Lernprozess"

Modul 1. Mathematische Grundlagen des Deep Learning

1.1. Funktionen und Ableitungen

1.1.1. Lineare Funktionen
1.1.2. Partielle Ableitungen
1.1.3. Ableitungen höherer Ordnung

1.2. Verschachtelte Funktionen

1.2.1. Zusammengesetzte Funktionen
1.2.2. Inverse Funktionen
1.2.3. Rekursive Funktionen

1.3. Kettenregel

1.3.1. Ableitungen von verschachtelten Funktionen
1.3.2. Ableitungen von zusammengesetzten Funktionen
1.3.3. Ableitungen von inversen Funktionen

1.4. Funktionen mit mehreren Eingaben

1.4.1. Funktionen von mehreren Variablen
1.4.2. Vektorielle Funktionen
1.4.3. Matrix-Funktionen

1.5. Ableitungen von Funktionen mit mehreren Eingängen

1.5.1. Partielle Ableitungen
1.5.2. Richtungsabhängige Ableitungen
1.5.3. Gemischte Ableitungen

1.6. Funktionen mit mehreren Vektoreingabe

1.6.1. Lineare Vektorfunktionen
1.6.2. Nichtlineare Vektorfunktionen
1.6.3. Matrix-Vektor-Funktionen

1.7. Erstellen neuer Funktionen aus bestehenden Funktionen

1.7.1. Addition von Funktionen
1.7.2. Produkt von Funktionen
1.7.3. Komposition von Funktionen

1.8. Ableitungen von Funktionen mit mehreren Vektoreingaben

1.8.1. Ableitungen von linearen Funktionen
1.8.2. Ableitungen von nicht-linearen Funktionen
1.8.3. Ableitungen von zusammengesetzten Funktionen

1.9. Vektorfunktionen und ihre Ableitungen: Ein Schritt weiter

1.9.1. Richtungsabhängige Ableitungen
1.9.2. Gemischte Ableitungen
1.9.3. Matrix-Ableitungen

1.10. Der Backward Pass

1.10.1. Fehlerausbreitung
1.10.2. Anwendung von Aktualisierungsregeln
1.10.3. Parameter-Optimierung

Modul 2. Grundsätze des Deep Learning

2.1. Überwachtes Lernen

2.1.1. Maschinen für überwachtes Lernen
2.1.2. Anwendungen des überwachten Lernens
2.1.3. Unterschiede zwischen überwachtem und unüberwachtem Lernen

2.2. Überwachte Lernmodelle

2.2.1. Lineare Modelle
2.2.2. Entscheidungsbaum-Modelle
2.2.3. Modelle neuronaler Netze

2.3. Lineare Regression

2.3.1. Einfache lineare Regression
2.3.2. Multiple lineare Regression
2.3.3. Regressionsanalyse

2.4. Modell-Training

2.4.1. Batch Learning
2.4.2. Online Learning
2.4.3. Optimierungsmethoden

2.5. Bewertung des Modells: Trainingsmenge vs. Testmenge

2.5.1. Bewertungsmetriken
2.5.2. Kreuzvalidierung
2.5.3. Vergleich von Datensätzen

2.6. Bewertung des Modells: Der Code

2.6.1. Generierung von Vorhersagen
2.6.2. Fehleranalyse
2.6.3. Bewertungsmetriken

2.7. Analyse der Variablen

2.7.1. Identifizierung der relevanten Variablen
2.7.2. Korrelationsanalyse
2.7.3. Regressionsanalyse

2.8. Erklärbarkeit von Modellen neuronaler Netze

2.8.1. Interpretierbare Modelle
2.8.2. Visualisierungsmethoden
2.8.3. Bewertungsmethoden

2.9. Optimierung

2.9.1. Optimierungsmethoden
2.9.2. Regularisierungs-Techniken
2.9.3. Die Verwendung von Grafiken

2.10. Hyperparameter

2.10.1. Auswahl von Hyperparametern
2.10.2. Suche nach Parametern
2.10.3. Abstimmung der Hyperparameter

Modul 3. Neuronale Netze, die Grundlage von Deep Learning

3.1. Tiefes Lernen

3.1.1. Arten von tiefem Lernen
3.1.2. Anwendungen von tiefem Lernen
3.1.3. Vor- und Nachteile von tiefem Lernen

3.2. Operationen

3.2.1. Addition
3.2.2. Produkt
3.2.3. Transfer

3.3. Ebenen

3.3.1. Eingangsebene
3.3.2. Ausgeblendete Ebene
3.3.3. Ausgangsebene

3.4. Schichtenverbund und Operationen

3.4.1. Design-Architekturen
3.4.2. Verbindung zwischen Ebenen
3.4.3. Vorwärtsausbreitung

3.5. Aufbau des ersten neuronalen Netzes

3.5.1. Entwurf des Netzes
3.5.2. Festlegen der Gewichte
3.5.3. Training des Netzes

3.6. Trainer und Optimierer

3.6.1. Auswahl des Optimierers
3.6.2. Festlegen einer Verlustfunktion
3.6.3. Festlegung einer Metrik

3.7. Anwendung der Prinzipien des neuronalen Netzes

3.7.1. Aktivierungsfunktionen
3.7.2. Rückwärtspropagation
3.7.3. Einstellung der Parameter

3.8. Von biologischen zu künstlichen Neuronen

3.8.1. Funktionsweise eines biologischen Neurons
3.8.2. Wissensübertragung auf künstliche Neuronen
3.8.3. Die Herstellung von Beziehungen zwischen den beiden

3.9. Implementierung von MLP (Multilayer Perceptron) mit Keras

3.9.1. Definition der Netzstruktur
3.9.2. Kompilierung des Modells
3.9.3. Modell-Training

3.10. Fine Tuning der Hyperparameter von neuronalen Netzen

3.10.1. Auswahl der Aktivierungsfunktion
3.10.2. Einstellung der Learning Rate
3.10.3. Einstellung der Gewichte

Modul 4. Training Tiefer Neuronaler Netze

4.1. Gradienten-Probleme

4.1.1. Techniken der Gradientenoptimierung
4.1.2. Stochastische Gradienten
4.1.3. Techniken zur Initialisierung der Gewichte

4.2. Wiederverwendung von vortrainierten Schichten

4.2.1. Training für Transferlernen
4.2.2. Merkmalsextraktion
4.2.3. Tiefes Lernen

4.3. Optimierer

4.3.1. Stochastische Gradientenabstiegsoptimierer
4.3.2. Adam- und RMSprop-Optimierer
4.3.3. Moment-Optimierer

4.4. Programmierung der Lernrate

4.4.1. Automatische Steuerung der Lernrate
4.4.2. Lernzyklen
4.4.3. Glättungsbedingungen

4.5. Überanpassung

4.5.1. Kreuzvalidierung
4.5.2. Regulierung
4.5.3. Bewertungsmetriken

4.6. Praktische Leitlinien

4.6.1. Entwurf von Modellen
4.6.2. Auswahl der Metriken und Bewertungsparameter
4.6.3. Testen von Hypothesen

4.7. Transfer Learning

4.7.1. Training für Transferlernen
4.7.2. Merkmalsextraktion
4.7.3. Tiefes Lernen

4.8. Data Augmentation

4.8.1. Bildtransformationen
4.8.2. Generierung synthetischer Daten
4.8.3. Text-Transformation

4.9. Praktische Anwendung von Transfer Learning

4.9.1. Training für Transferlernen
4.9.2. Merkmalsextraktion
4.9.3. Tiefes Lernen

4.10. Regulierung

4.10.1. L1 und L2
4.10.2. Maximale Entropie-Regularisierung
4.10.3. Dropout

Modul 5. Anpassung von Modellen und Training mit TensorFlow

5.1. TensorFlow

5.1.1. Die Verwendung der TensorFlow Bibliothek
5.1.2. Training von Modellen mit TensorFlow
5.1.3. Operationen mit Grafiken in TensorFlow

5.2. TensorFlow und NumPy

5.2.1. NumPy Berechnungsumgebung für TensorFlow
5.2.2. Die Verwendung von NumPy-Arrays mit TensorFlow
5.2.3. NumPy Operationen für TensorFlow Grafiken

5.3. Personalisierung von Modellen und Trainingsalgorithmen

5.3.1. Erstellen von benutzerdefinierten Modellen mit TensorFlow
5.3.2. Verwaltung von Trainingsparametern
5.3.3. Verwendung von Optimierungstechniken für das Training

5.4. TensorFlow Funktionen und Grafiken

5.4.1. TensorFlow Funktionen
5.4.2. Anwendung von Grafiken für das Modelltraining
5.4.3. Optimierung von Grafikenn mit TensorFlow Operationen

5.5. Ladung und Vorverarbeitung von Daten mit TensorFlow

5.5.1. Ladung von Datensätzen mit TensorFlow
5.5.2. Vorverarbeitung von Daten mit TensorFlow
5.5.3. Verwendung von TensorFlow Tools zur Datenmanipulation

5.6. Die tf.data API

5.6.1. Die Verwendung der tf.data API für die Datenverarbeitung
5.6.2. Konstruktion von Datenströmen mit tf.data
5.6.3. Verwendung der tf.data API für das Modelltraining

5.7. Das TFRecord-Format

5.7.1. Verwendung der TFRecord API für die Serialisierung von Daten
5.7.2. Laden von TFRecord-Dateien mit TensorFlow
5.7.3. Verwendung von TFRecord-Dateien für das Modelltraining

5.8. Keras Vorverarbeitungsschichten

5.8.1. Verwendung der Keras-API für die Vorverarbeitung
5.8.2. Konstruktion von Vorverarbeitungs-Pipelines mit Keras
5.8.3. Verwendung der Keras Preprocessing-API für das Modelltraining

5.9. Das TensorFlow Datasets Projekt

5.9.1. Verwendung von TensorFlow Datasets zum Laden von Daten
5.9.2. Vorverarbeitung von Daten mit TensorFlow-Datasets
5.9.3. Verwendung von TensorFlow-Datasets für das Modelltraining

5.10. Konstruktion einer Deep Learning Anwendung mit TensorFlow. Praktische Anwendung

5.10.1. Konstruktion einer Deep Learning Anwendung mit TensorFlow
5.10.2. Trainieren eines Modells mit TensorFlow
5.10.3. Verwendung der Anwendung für die Ergebnisvorhersage

Modul 6. Deep Computer Vision mit Convolutional Neural Networks

6.1. Die Architektur des Visual Cortex

6.1.1. Funktionen des visuellen Kortex
6.1.2. Theorien des rechnergestützten Sehens
6.1.3. Modelle der Bildverarbeitung

6.2. Faltungsebenen

6.2.1. Wiederverwendung von Gewichten bei der Faltung
6.2.2. 2D-Faltung
6.2.3. Aktivierungsfunktionen

6.3. Gruppierungsschichten und Implementierung von Gruppierungsschichten mit Keras

6.3.1. Pooling und Striding
6.3.2. Flattening
6.3.3. Arten des Pooling

6.4. CNN-Architektur

6.4.1. VGG-Architektur
6.4.2. AlexNet-Architektur
6.4.3. ResNet-Architektur

6.5. Implementierung eines ResNet-34 CNN mit Keras

6.5.1. Initialisierung der Gewichte
6.5.2. Definition der Eingabeschicht
6.5.3. Definition der Ausgabe

6.6. Verwendung von vortrainierten Keras-Modellen

6.6.1. Merkmale der vortrainierten Modelle
6.6.2. Verwendung von vor-trainierten Modellen
6.6.3. Vorteile von vor-trainierten Modellen

6.7. Vortrainierte Modelle für das Transferlernen

6.7.1. Transferlernen
6.7.2. Prozess des Transferlernens
6.7.3. Vorteile des Transferlernens

6.8. Klassifizierung und Lokalisierung in Deep Computer Vision

6.8.1. Bild-Klassifizierung
6.8.2. Lokalisierung von Bildobjekten
6.8.3. Objekt-Erkennung

6.9. Objekterkennung und Objektverfolgung

6.9.1. Methoden zur Objekterkennung
6.9.2. Algorithmen zur Objektverfolgung
6.9.3. Verfolgungs- und Lokalisierungstechniken

6.10. Semantische Segmentierung

6.10.1. Deep Learning für semantische Segmentierung
6.10.2. Kantenerkennung
6.10.3. Regelbasierte Segmentierungsmethoden

Modul 7. Verarbeitung von Sequenzen unter Verwendung von RNNs (Rekurrente Neuronale Netze) und CNNs (Convolutional Neural Networks)

7.1. Rekurrente Neuronen und Schichten

7.1.1. Typen von rekurrenten Neuronen
7.1.2. Architektur einer rekurrenten Schicht
7.1.3. Anwendungen von rekurrenten Schichten

7.2. Training von rekurrenten neuronalen Netzen (RNN)

7.2.1. Backpropagation über die Zeit (BPTT)
7.2.2. Stochastischer abwärtsgerichteter Gradient
7.2.3. Regularisierung beim RNN-Training

7.3. Bewertung von RNN-Modellen

7.3.1. Bewertungsmetriken
7.3.2. Kreuzvalidierung
7.3.3. Abstimmung der Hyperparameter

7.4. Vortrainierte RNNs

7.4.1. Vortrainierte Netze
7.4.2. Übertragung des Lernens
7.4.3. Feinabstimmung

7.5. Vorhersage einer Zeitserie

7.5.1. Statistische Modelle für Prognosen
7.5.2. Modelle von Zeitserien
7.5.3. Auf neuronalen Netzen basierende Modelle

7.6. Interpretation der Ergebnisse der Zeitreihenanalyse

7.6.1. Hauptkomponentenanalyse
7.6.2. Cluster-Analyse
7.6.3. Korrelationsanalyse

7.7. Umgang mit langen Sequenzen

7.7.1. Long Short-Term Memory (LSTM)
7.7.2. Gated Recurrent Units (GRU)
7.7.3. 1D-Faltungskontrolle

7.8. Partielles Sequenzlernen

7.8.1. Methoden des tiefen Lernens
7.8.2. Generative Modelle
7.8.3. Verstärktes Lernen

7.9. Praktische Anwendung von RNN und CNN

7.9.1. Verarbeitung natürlicher Sprache
7.9.2. Mustererkennung
7.9.3. Computer Vision

7.10. Unterschiede in den klassischen Ergebnissen

7.10.1. Klassische Methoden vs. RNN
7.10.2. Klassische Methoden vs. CNN
7.10.3. Unterschied in der Trainingszeit

Modul 8. Natürliche Sprachverarbeitung (NLP) mit Natürlichen Rekurrenten Netzen (RNN) und Aufmerksamkeit

8.1. Textgenerierung mit RNN

8.1.1. Training eines RNN für die Texterzeugung
8.1.2. Generierung natürlicher Sprache mit RNN
8.1.3. Anwendungen zur Texterzeugung mit RNN

8.2. Erstellung von Trainingsdatensätzen

8.2.1. Vorbereitung der Daten für das RNN-Training
8.2.2. Speicherung des Trainingsdatensatzes
8.2.3. Bereinigung und Transformation der Daten

8.3. Sentiment-Analyse

8.3.1. Ranking von Meinungen mit RNN
8.3.2. Erkennung von Themen in Kommentaren
8.3.3. Stimmungsanalyse mit Deep Learning-Algorithmen

8.4. Encoder-Decoder-Netz für neuronale maschinelle Übersetzung

8.4.1. Training eines RNN für maschinelle Übersetzung
8.4.2. Verwendung eines Encoder-Decoder-Netzes für die maschinelle Übersetzung
8.4.3. Verbesserung der Genauigkeit der maschinellen Übersetzung mit RNNs

8.5. Aufmerksamkeitsmechanismen

8.5.1. Implementierung von Aufmerksamkeitsmechanismen in NRN
8.5.2. Verwendung von Betreuungsmechanismen zur Verbesserung der Modellgenauigkeit
8.5.3. Vorteile von Betreuungsmechanismen in neuronalen Netzen

8.6. Transformers-Modelle

8.6.1. Verwendung von Transformers -Modellen für die Verarbeitung natürlicher Sprache
8.6.2. Anwendung von Transformers-Modellen für das Sehen
8.6.3. Vorteile von Transformers-Modellen

8.7. Transformers für die Sicht

8.7.1. Verwendung von Transformers für Seh-Modelle
8.7.2. Vorverarbeitung von Bilddaten
8.7.3. Training eines Transformers-Modells für die Sicht

8.8. Hugging Face Transformers-Bibliothek

8.8.1. Verwendung der Hugging Face Transformers-Bibliothek
8.8.2. Anwendung der Hugging Face Transformers-Bibliothek
8.8.3. Vorteile der Hugging Face Transformers-Bibliothek

8.9. Andere Transformers-Bibliotheken. Vergleich

8.9.1. Vergleich zwischen den verschiedenen  Transformers-Bibliotheken
8.9.2. Verwendung der anderen Transformers-Bibliotheken
8.9.3. Vorteile der anderen Transformers-Bibliotheken

8.10. Entwicklung einer NLP-Anwendung mit RNN und Aufmerksamkeit. Praktische Anwendung

8.10.1. Entwicklung einer Anwendung zur Verarbeitung natürlicher Sprache mit RNN und Aufmerksamkeit
8.10.2. Verwendung von RNN, Aufmerksamkeitsmechanismen und Transformers-Modellen in der Anwendung
8.10.3. Bewertung der praktischen Umsetzung

Modul 9. Autoencoder, GANs und Diffusionsmodelle

9.1. Effiziente Datendarstellungen

9.1.1. Reduzierung der Dimensionalität
9.1.2. Tiefes Lernen
9.1.3. Kompakte Repräsentationen

9.2. Realisierung von PCA mit einem unvollständigen linearen automatischen Kodierer

9.2.1. Trainingsprozess
9.2.2. Python-Implementierung
9.2.3. Verwendung von Testdaten

9.3. Gestapelte automatische Kodierer

9.3.1. Tiefe neuronale Netze
9.3.2. Konstruktion von Kodierungsarchitekturen
9.3.3. Verwendung der Regularisierung

9.4. Faltungs-Autokodierer

9.4.1. Entwurf eines Faltungsmodells
9.4.2. Training von Faltungsmodellen
9.4.3. Auswertung der Ergebnisse

9.5. Automatische Entrauschung des Encoders

9.5.1. Anwendung von Filtern
9.5.2. Entwurf von Kodierungsmodellen
9.5.3. Anwendung von Regularisierungstechniken

9.6. Automatische Verteilkodierer

9.6.1. Steigerung der Kodierungseffizienz
9.6.2. Minimierung der Anzahl von Parametern
9.6.3. Verwendung von Regularisierungstechniken

9.7. Automatische Variationskodierer

9.7.1. Verwendung der Variationsoptimierung
9.7.2. Unüberwachtes tiefes Lernen
9.7.3. Tiefe latente Repräsentationen

9.8. Modische MNIST-Bilderzeugung

9.8.1. Mustererkennung
9.8.2. Bilderzeugung
9.8.3. Training tiefer neuronaler Netze

9.9. Generative Adversarial Networks und Diffusionsmodelle

9.9.1. Bildbasierte Inhaltsgenerierung
9.9.2. Modellierung von Datenverteilungen
9.9.3. Verwendung von adversen Netzen

9.10. Implementierung der Modelle. Praktische Anwendung

9.10.1. Implementierung der Modelle
9.10.2. Verwendung von realen Daten
9.10.3. Auswertung der Ergebnisse

Modul 10. Reinforcement Learning

10.1. Optimierung der Belohnungen und der Richtliniensuche

10.1.1. Algorithmen zur Belohnungsoptimierung
10.1.2. Prozesse der Richtliniensuche
10.1.3. Verstärktes Lernen für Belohnungsoptimierung

10.2. OpenAI

10.2.1. OpenAI Gym Umgebung
10.2.2. Erstellung von OpenAI-Umgebungen
10.2.3. Algorithmen für verstärktes Lernen in OpenAI

10.3. Richtlinien für neuronale Netze

10.3.1. Faltungsneuronale Netze für die Richtliniensuche
10.3.2. Richtlinien für tiefes Lernen
10.3.3. Erweitern von Richtlinien für neuronale Netze

10.4. Aktionsbewertung: das Problem der Kreditvergabe

10.4.1. Risikoanalyse für die Kreditvergabe
10.4.2. Schätzung der Rentabilität von Krediten
10.4.3. Neuronale Netz-basierte Modelle zur Kreditbewertung

10.5. Richtliniengradienten

10.5.1. Verstärktes Lernen mit Richtliniengradienten
10.5.2. Optimierung der Richtliniengradienten
10.5.3. Algorithmen der Richtliniengradienten

10.6. Markov-Entscheidungsprozesse

10.6.1. Optimierung von Markov-Entscheidungsprozessen
10.6.2. Verstärktes Lernen für Markov-Entscheidungsprozesse
10.6.3. Modelle von Markov-Entscheidungsprozessen

10.7. Temporales Differenzlernen und Q-Learning

10.7.1. Anwendung von zeitlichen Unterschieden beim Lernen
10.7.2. Anwendung des Q-Learning beim Lernen
10.7.3. Optimierung der Parameter des Q-Learning

10.8. Implementieren von Deep Q-Learning und Deep Q-Learning-Varianten

10.8.1. Konstruktion von tiefen neuronalen Netzen für Deep Q-Learning
10.8.2. Implementierung von Deep Q-Learning
10.8.3.  Deep Q-Learning-Varianten

10.9. Algorithmen des Reinforment Learning

10.9.1. Algorithmen für Verstärktes Lernen
10.9.2. Algorithmen für Belohnungslernen
10.9.3. Algorithmen für Bestrafungslernen

10.10. Entwurf einer verstärkenden Lernumgebung. Praktische Anwendung

10.10.1. Entwurf einer verstärkenden Lernumgebung
10.10.2. Implementierung eines verstärkenden Lernalgorithmus
10.10.3. Auswertung eines verstärkenden Lernalgorithmus

Spezialisieren Sie sich dank dieses Universitätsabschlusses in Training,  Bewertung und Analyse von neuronalen Netzwerkmodellen"