Kurs Deep Dive into Deep Learning

Janette Kaspar BSc

Architekturen, mathematische Grundlagen und fortgeschrittene Anwendungen

Deep Learning ist eine der treibenden Kräfte moderner Künstlicher Intelligenz – von Sprachmodellen über Bildverarbeitung bis hin zu autonomen Systemen. Doch wie funktionieren diese Modelle im Detail? Welche mathematischen Prinzipien stehen dahinter? Und wann ist Deep Learning tatsächlich die richtige Wahl?

Dieser Aufbaukurs richtet sich an Teilnehmerinnen mit grundlegenden Kenntnissen im Bereich Machine Learning und bietet eine vertiefte, technisch fundierte Auseinandersetzung mit Deep-Learning-Methoden.

Kursziele

Der Kurs vermittelt ein strukturiertes und erweitertes Verständnis moderner Deep-Learning-Architekturen, ihrer mathematischen Grundlagen und praktischen Anwendungsfelder.

Die Teilnehmerinnen:

• vertiefen ihr Verständnis neuronaler Netze,
• lernen zentrale Architekturen und deren Einsatzgebiete kennen,
• verstehen Trainingsprozesse und Optimierungsverfahren,
• können Deep-Learning-Modelle kritisch bewerten,
• erkennen, wann Deep Learning sinnvoll ist – und wann nicht.

Der Kurs verbindet Theorie, mathematische Intuition und praxisnahe Beispiele.

Inhalte 1. Wiederholung & Fundament

• Grundlagen neuronaler Netze
• Lineare Algebra im Kontext von Deep Learning (Vektoren, Matrizen, Gradienten)
• Aktivierungsfunktionen
• Backpropagation mathematisch erklärt
• Optimierungsverfahren (Gradient Descent, Adam, etc.)
• Loss-Funktionen und Regularisierung

Dieser Teil ermöglicht auch Teilnehmerinnen ohne den Grundlagenkurs den Einstieg.

2. Zentrale Architekturen im Deep Learning

Feedforward Neural Networks (MLP)Grundlagen tiefer Netze und deren Grenzen.

Convolutional Neural Networks (CNNs)

• Feature-Extraktion
• Bildklassifikation
• Objekterkennung

Recurrent Neural Networks (RNNs)

• Sequenzmodellierung
• Zeitreihenanalyse

Long Short-Term Memory (LSTM)

• Vanishing-Gradient-Problem
• Langzeitabhängigkeiten
• Einsatz in Sprach- und Zeitreihendaten

Transformer-Architekturen (Überblick)

• Self-Attention
• Grundprinzipien moderner Sprachmodelle

3. Spezialisierte Anwendungsbereiche

Anomalieerkennung

• Autoencoder
• Reconstruction Error
• Praktische Anwendungen (Industrie, IT-Sicherheit)

Reinforcement Learning

• Agent-Umgebungs-Interaktion
• Reward-Systeme
• Policy-Optimierung
• Q-Learning (konzeptionell)
• Anwendungen in Robotik und Entscheidungsprozessen

Generative Modelle

• Autoencoder vs. Variational Autoencoder (Überblick)
• GANs (Grundprinzip)
• Abgrenzung zu LLMs

4. Training in der Praxis

• Datenanforderungen und Datenqualität
• Overfitting und Underfitting
• Bias-Variance-Tradeoff
• Hyperparameter-Tuning
• Transfer Learning
• Fine-Tuning vortrainierter Modelle
• Rechenressourcen und Skalierungsfragen

5. Wann Deep Learning nicht die beste Lösung ist

Ein kritischer Abschnitt zu:

• Interpretierbarkeit
• Datenmengenanforderungen
• Energieverbrauch
• Reproduzierbarkeit
• Vergleich mit klassischen ML-Methoden

Hier lernen die Teilnehmerinnen, Deep Learning nicht als „Standardlösung“, sondern als Werkzeug unter vielen zu verstehen.

Lernergebnisse

Nach Abschluss des Kurses können die Teilnehmerinnen:

• die mathematischen Grundprinzipien von Deep Learning erläutern,
• zentrale Architekturen (CNN, LSTM, Transformer etc.) erklären und einordnen,
• geeignete Modelltypen für konkrete Problemstellungen auswählen,
• Trainingsprozesse verstehen und analysieren,
• typische Fehlerquellen identifizieren,
• einschätzen, wann Deep Learning sinnvoll oder überdimensioniert ist,
• einfache Deep-Learning-Modelle konzeptionell entwickeln und implementieren.