Kursbeschreibung
In diesem Kurs lernen Sie die Grundlagen der neuronalen Netze kennen. Sie erhalten eine Einführung in neuronale Netze und eng verwandte Konzepte und Themen. Sie werden in der Lage sein, die verschiedenen Designaspekte von neuronalen Netzen zu verstehen und zu verstehen, wie man eine Auswahl für sie trifft. Der Kurs behandelt auch die Implementierung neuronaler Netze, insbesondere in Python. Die Vorteile verschiedener Frameworks und Implementierungen neuronaler Netze werden diskutiert. Alle Konzepte und Theorien werden anhand von Beispielen sowie der Diskussion praktischer Anwendungen miteinander verknüpft. Am Ende dieses Kurses werden Sie mehrere Möglichkeiten zur Implementierung eines neuronalen Netzes kennen und wissen, wie Sie Algorithmen, Methoden und Werte für die verschiedenen Aspekte eines neuronalen Netzes auswählen können.
KURS-LERNZIELE
- Sie erfahren, was neuronale Netze sind und wie sie verwendet werden
- Sie lernen die verschiedenen Designaspekte von neuronalen Netzen kennen
- Sie lernen die verschiedenen Arten von neuronalen Netzen kennen
- Sie lernen, wie man neuronale Netze auf verschiedene Arten mit Python implementiert
- Sie verstehen, wie neuronale Netze implementiert und in praktischen Anwendungen eingesetzt werden können
Was Sie lernen werden
- Verstehen Sie, was neuronale Netzwerke sind und wie sie verwendet werden
- Identifizieren Sie die verschiedenen Designaspekte neuronaler Netzwerke und wie Sie Auswahlen für diese treffen
- Unterscheiden Sie verschiedene Typen neuronaler Netzwerke, einschließlich MLP und Faltungsnetzwerke
- Implementieren Sie neuronale Netzwerke auf mehrere Weise mit Python
- Konfigurieren Sie Aktivierungsfunktionen, Verlustfunktionen, Optimierer, Hyperparameter und Schichten
- Wenden Sie neuronale Netzwerke auf praktische Anwendungen wie Anomalieerkennung, Automatisierung, Cybersicherheit und Vorhersagesysteme an
Wichtige Erkenntnisse
- Neuronale Netzwerke können auf mehrere Weise mit Python implementiert werden, einschließlich mit Scikit-Learn und PyTorch.
- Die Art des neuronalen Netzwerks kann basierend auf der Art der verwendeten Daten bestimmt werden.
- Das Design eines neuronalen Netzwerks umfasst die Auswahl von Algorithmen, Methoden und Werten für Aspekte wie Aktivierungsfunktionen, Verlustfunktionen, Optimierer, Hyperparameter und Schichten.
- Relevante Bibliotheken und Frameworks für neuronale Netzwerke umfassen TensorFlow, Keras und PyTorch, und GPU-Beschleunigung kann die Implementierung unterstützen.
- Neuronale Netzwerke haben praktische Anwendungen, einschließlich Anomalie-/Bedrohungserkennung, Automatisierung, Cybersicherheit und Vorhersagesysteme.
Häufig gestellte Fragen
Was behandelt dieser Kurs?
Der Kurs behandelt die Grundlagen neuronaler Netzwerke, einschließlich einer Einführung in neuronale Netzwerke und verwandte Konzepte, die verschiedenen Designaspekte neuronaler Netzwerke, verschiedene Typen neuronaler Netzwerke, wie man sie in Python implementiert, die Vorteile verschiedener Frameworks und Implementierungen sowie praktische Anwendungen.
Werde ich lernen, neuronale Netzwerke in Code zu implementieren?
Ja. Der Kurs behandelt die Implementierung neuronaler Netzwerke, insbesondere in Python, einschließlich der Verwendung von Scikit-Learn und PyTorch, und diskutiert relevante Bibliotheken und Frameworks wie TensorFlow, Keras und PyTorch.
Welche Typen neuronaler Netzwerke werden besprochen?
Der Kurs behandelt verschiedene Typen neuronaler Netzwerke, einschließlich MLP und Faltungsnetzwerke, und wie man den Typ des neuronalen Netzwerks basierend auf dem Datentyp bestimmt.
Welche praktischen Anwendungen neuronaler Netzwerke sind enthalten?
Der Kurs diskutiert praktische Anwendungen, einschließlich Anomalie-/Bedrohungserkennung, Automatisierung, Cybersicherheit und Vorhersagesysteme.
Was werde ich am Ende des Kurses tun können?
Am Ende des Kurses werden Sie mehrere Möglichkeiten zur Implementierung eines neuronalen Netzwerks kennen und wissen, wie Sie Algorithmen, Methoden und Werte für die verschiedenen Aspekte eines neuronalen Netzwerks auswählen.
