Dank jüngster technologischer Fortschritte können nun einige Konzepte und Methoden aus der künstlichen Intelligenz praktisch angewendet werden. Ein wesentliches Konzept, das von diesem Fortschritt betroffen ist, sind neuronale Netze. Dank schneller und günstiger GPUs einerseits sowie frei verfügbarer und gut dokumentierter Frameworks andererseits werden neuronale Netze heute zur Lösung sehr vieler unterschiedlicher Probleme eingesetzt, von der Mustererkennung in Text und Bild bis zur automatisierten Beurteilung von Versicherungsschäden. In diesem Kurs werden die Studierenden in die Grundlagen dieser Technologie eingeführt und dazu befähigt, sie an einfachen Beispielen anzuwenden.

1. Einführung in Deep Learning
   1. Künstliche Intelligenz
   2. Maschinelles Lernen
   3. Deep Learning
   4. Deep Learning Frameworks
2. Einführung in neuronale Netze
   1. Lineare Regression
   2. Logistische Regression
   3. Perzeptronen
   4. Arten von Perzeptronen
3. Neuronale Netze trainieren
   1. Mittlerer quadratischer Fehler
   2. Gradientenverfahren
   3. Mehrlagiges Perzeptron
   4. Backpropagation
   5. Backpropagation implementieren
4. Einstieg in Deep Learning Frameworks
   1. Überblick
   2. Erste Schritte mit Tensorflow
   3. Grundlegende Konzepte
   4. Mathematische Funktionen
5. Klassifikation und Optimierung
   1. Linearer Klassifizierer
   2. Kostenfunktionen
   3. Parameterkonfiguration und Kreuzvalidierung
   4. Stochastic Gradient Descent
   5. Mini-Batching
   6. Epochs
6. Mehrlagige neuronale Netze
   1. Einführung und Motivation
   2. Aufbau und Mathematik
   3. Implementierung mit Tensorflow
   4. Bestehende Modelle anpassen
   5. Überanpassung und Lösungsansätze
7. Convolutional Neural Networks
   1. Motivation und Einsatzgebiete
   2. Aufbau
   3. CNNs für Textanalyse
   4. CNNs für Bildanalyse