Dank dieses 100%igen Online-Masterstudiengangs werden Sie die innovativsten Deep-Learning-Techniken auf Ihre Projekte anwenden" 

TensorFlow hat sich zum wichtigsten Tool für die Implementierung und das Training von Deep-Learning-Modellen entwickelt. Entwickler nutzen sowohl die verschiedenen Tools als auch die Bibliotheken, um Modelle zu trainieren, die automatische Objekterkennung, Klassifizierung und natürliche Sprachverarbeitung durchführen. Ebenso ist diese Plattform nützlich für die Erkennung von Anomalien in Daten, was in Bereichen wie Cybersicherheit, vorausschauende Wartung und Qualitätskontrolle unerlässlich ist. Ihre Verwendung kann jedoch eine Reihe von Herausforderungen für Fachleute mit sich bringen, darunter die Auswahl der geeigneten Architektur des neuronalen Netzes. 

Angesichts dieser Situation hat TECH einen weiterbildenden Masterstudiengang eingeführt, der Experten einen umfassenden Ansatz für Deep Learning bietet. Der Lehrplan, der von Spezialisten auf diesem Gebiet entwickelt wurde, wird sich mit den mathematischen Grundlagen und Prinzipien des Deep Learning befassen. Dies wird die Absolventen in die Lage versetzen, neuronale Netze zur Informationsverarbeitung aufzubauen, die Mustererkennung, Entscheidungsfindung und Lernen aus Daten beinhalten. Der Lehrplan wird auch das Reinforcement Learning vertiefen und dabei Faktoren wie die Optimierung der Belohnung und die Suche nach Strategien berücksichtigen. Darüber hinaus werden die Lehrmaterialien fortgeschrittene Techniken zur Optimierung und Visualisierung von Ergebnissen bieten. 

Was das Format des Universitätsabschlusses betrifft, so wird er durch eine 100%ige Online-Methode vermittelt, so dass die Studenten das Programm auf unkomplizierte Weise absolvieren können. Um auf die akademischen Inhalte zuzugreifen, benötigen sie lediglich ein elektronisches Gerät mit Internetzugang, da die Stunden- und Bewertungspläne individuell festgelegt werden. Zudem basiert der Lehrplan auf dem innovativen Relearning-Lernsystem, bei dem TECH eine Vorreiterrolle spielt. Dieses Lernsystem besteht aus der Wiederholung der wichtigsten Aspekte, um die Beherrschung der verschiedenen Elemente zu gewährleisten.

Lernen Sie durch innovative multimediale didaktische Formate, die Ihren Aktualisierungsprozess im Deep Learning optimieren werden"

Dieser Weiterbildender Masterstudiengang in Deep Learning enthält das vollständigste und aktuellste Programm auf dem Markt. Seine herausragendsten 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
• Die praktischen Übungen, bei denen der Selbstbewertungsprozess zur Verbesserung des Lernens durchgeführt 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 Zugangs zu Inhalten von jedem festen oder tragbaren Gerät mit Internetanschluss

Möchten Sie Ihre Praxis mit den fortschrittlichsten Techniken der Gradientenoptimierung bereichern? Erreichen Sie es mit diesem Programm in nur 12 Monaten"

Das Dozententeam des Programms besteht aus Experten des Sektors, die ihre Berufserfahrung in diese Fortbildung einbringen, sowie aus renommierten Fachleuten von führenden Unternehmen und angesehenen 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 werden tiefer in den Backward Pass einsteigen, um die Gradienten der Verlustfunktion in Bezug auf die Netzwerkparameter zu berechnen"

Dank der Relearning-Methode können Sie Ihren Stundenplan frei gestalten"

Dieser Weiterbildender Masterstudiengang bietet den Studenten eine breite Palette von Deep-Learning-Techniken, die ihren beruflichen Horizont auf ein höheres Niveau heben werden. Um dies zu erreichen, wird sich der Studiengang mit der Kodierung von Deep-Learning-Modellen befassen. Auf diese Weise werden die Studenten in der Lage sein, die Algorithmen und Architekturen von tiefen neuronalen Netzen effektiv umzusetzen. Darüber hinaus wird der Lehrplan das Training von tiefen neuronalen Netzen sowie die Visualisierung von Ergebnissen und die Bewertung von Lernmodellen im Detail behandeln. Die Studenten werden auch die wichtigsten Transformer-Modelle analysieren, um sie zur Erstellung automatischer Übersetzungen zu verwenden.

Sie werden die Prinzipien des Deep Learning in Ihren Projekten anwenden, um eine Vielzahl komplexer Probleme in Bereichen wie der Bilderkennung zu lösen"

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 nichtlinearen 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. Rückwärtsausbreitung
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. Herstellung von Beziehungen zwischen den beiden

3.9. Implementierung von MLP (Multilayer Perceptron) mit Keras

3.9.1. Definition der Netzstruktur
3.9.2. Modell-Kompilierung
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. Transfer Learning Training
4.2.2. Merkmalsextraktion
4.2.3. Tiefes Lernen

4.3. Optimierer

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

4.4. Planen der Lernrate

4.4.1. Automatische Steuerung der Lernrate
4.4.2. Lernzyklen
4.4.3. Bedingungen für die Glättung

4.5. Überanpassung

4.5.1. Kreuzvalidierung
4.5.2. Regulierung
4.5.3. Bewertungsmetriken

4.6. Praktische Leitlinien

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

4.7. Transfer Learning

4.7.1. Transfer Learning Training
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. Textumwandlung

4.9. Praktische Anwendung von Transfer Learning

4.9.1. Transfer Learning Training
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. Verwendung der TensorFlow-Bibliothek
5.1.2. Modelltraining mit TensorFlow
5.1.3. Graphische Operationen in TensorFlow

5.2. TensorFlow und NumPy

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

5.3. Anpassung von Modellen und Trainingsalgorithmen

5.3.1. Eigene Modelle mit TensorFlow erstellen
5.3.2. Verwaltung von Trainingsparametern
5.3.3. Verwendung von Optimierungstechniken für das Training

5.4. TensorFlow-Funktionen und Graphiken

5.4.1. Funktionen mit TensorFlow
5.4.2. Verwendung von Graphen für das Modelltraining
5.4.3. Graphikoptimierung mit TensorFlow-Operationen

5.5. Laden und Vorverarbeiten von Daten mit TensorFlow

5.5.1. Laden von Datensätzen mit TensorFlow
5.5.2. Vorverarbeitung von Daten mit TensorFlow
5.5.3. Verwendung von TensorFlow-Werkzeugen zur Datenmanipulation

5.6. Die tf.data-API

5.6.1. Verwendung der tf.data-API für die Datenverarbeitung
5.6.2. Aufbau von Datenflüssen mit tf.data
5.6.3. Verwendung der tf.data-API zum Trainieren von Modellen

5.7. Das Format TFRecord

5.7.1. Verwendung der TFRecord-API zur 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. Aufbau der Vorverarbeitung in Pipelines mit Keras
5.8.3. Verwendung der Keras Vorverarbeitungs-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. Modelltraining mit TensorFlow
5.10.3. Verwendung der Anwendung für die Vorhersage von Ergebnissen

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. Faltungsschichten

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 vortrainierten Modellen
6.6.3. Vorteile von vortrainierten 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. Klassifizierung von Bildern
6.8.2. Objekte in Bildern lokalisieren
6.8.3. Objekterkennung

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 mit RNN und CNN

7.1. Rekurrente Neuronen und Schichten

7.1.1. Typen von rekurrenten Neuronen
7.1.2. Die 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 Netzwerke
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 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-Netzwerks 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 RNN
8.5.2. Verwendung von Betreuungsmechanismen zur Verbesserung der Modellgenauigkeit
8.5.3. Vorteile von Betreuungsmechanismen in neuronalen Netzen

8.6. Transformer-Modelle

8.6.1. Verwendung von Transformer-Modellen für die Verarbeitung natürlicher Sprache
8.6.2. Anwendung von Transformer-Modellen für die Sicht
8.6.3. Vorteile von Transformer-Modellen

8.7. Transformers für die Sicht

8.7.1. Verwendung von Transformer für die Sicht
8.7.2. Vorverarbeitung von Bilddaten
8.7.3. Training eines Transformer-Modells für die Sicht

8.8. Hugging Face Transformer-Bibliothek

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

8.9. Andere Transformer-Bibliotheken. Vergleich

8.9.1. Vergleich zwischen den verschiedenen Transformer-Bibliotheken
8.9.2. Verwendung der anderen Transformer-Bibliotheken
8.9.3. Vorteile der anderen Transformer-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 Adversarial Networks

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. Verstärkendes Lernen für Belohnungsoptimierung

10.2. OpenAI

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

10.3. Richtlinien für neuronale Netze

10.3.1. Convolutional Neural Networks 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. Verstärkendes 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. Verstärkendes 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. Implementierung 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 Reinforcement Learning

10.9.1. Algorithmen für verstärkendes 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

Studieren Sie bequem von zu Hause aus und aktualisieren Sie Ihr Wissen online mit TECH, der größten digitalen Universität der Welt”