Modul 7: Neuronale Netze und Deep Learning

Neuronale Netze stecken hinter Gesichtserkennung, Spracheingabe, Übersetzung und Chat-Assistenten. Sie wirken geheimnisvoll, bestehen aber aus einfachen Bausteinen: gewichtete Summen, ein Knick (Aktivierung) und viele Wiederholungen. In diesem Modul rechnen Sie ein Neuron von Hand, verfolgen einen Forward Pass, verstehen Backpropagation und lernen die wichtigsten Architekturen kennen: CNN für Bilder, RNN/LSTM für Abfolgen und den Transformer, auf dem heutige Sprachmodelle beruhen.

Einleitung und häufige Fragen jedes Kapitels sind frei lesbar. Den vollständigen Inhalt mit Übungen und Quiz schalten Sie einmalig für 29 € frei.

Freischalten
  1. EinführungNeuronale Netze: Wie Deep Learning Bilder, Sprache und Zeitreihen versteht Neuronale Netze stecken hinter Gesichtserkennung, Spracheingabe, Übersetzung und Chat-Assistenten. Sie wirken geheimnisvoll, bestehen aber aus einfachen Bausteinen: gewichtete Summen, ein Knick (Aktivierung) und viele Wiederholungen. In diesem Modul rechnen Sie ein Neuron von Hand, verfolgen einen Forward Pass, verstehen Ba

A · Grundlagen

  1. Lektion 1: Das künstliche NeuronEin Neuron: Eingaben mal Gewichte, plus Bias, durch die Aktivierungsfunktion. Gelernt werden die Gewichte und der Bias.
  2. Lektion 2: Perzeptron und XOREin einzelnes Neuron trennt nur linear. Erst mehrere Schichten mit nichtlinearer Aktivierung lösen Probleme wie XOR.
  3. Lektion 3: AktivierungsfunktionenAktivierungsfunktionen bringen Nichtlinearität. ReLU innen, Sigmoid/Softmax/linear außen je nach Aufgabe.
  4. Lektion 4: Forward PassForward Pass: Schicht für Schicht gewichtete Summe plus Bias, dann Aktivierung. Tiefe Netze lernen Merkmale in Stufen selbst.
  5. Lektion 5: VerlustfunktionenRegression → MSE. Klassifikation → Kreuzentropie, die selbstsichere Fehler besonders hart bestraft.
  6. Lektion 6: BackpropagationBackpropagation berechnet mit der Kettenregel für jedes Gewicht seinen Anteil am Fehler. Dann werden alle Gewichte per Gradientenabstieg angepasst.
  7. Lektion 7: Training in der PraxisEpoche = einmal alle Daten; Batch = Päckchen pro Update. Schritte pro Epoche = Datenmenge ÷ Batch-Größe. Adam ist der Standard-Optimierer.
  8. Lektion 8: Parameter zählenDense-Schicht: Eingaben · Neuronen + Neuronen (Bias). Alle Schichten addieren.

B · Architekturen

  1. Lektion 9: CNNCNN: Filter gleiten übers Bild, Pooling verkleinert, Dense entscheidet. Ausgabegröße = (N − F + 2P) / S + 1.
  2. Lektion 10: Bilder verstehenKlassifikation: was? Objekterkennung: was und wo? Segmentierung: welche Pixel? Trainingsbilder müssen den Einsatzbedingungen entsprechen.
  3. Lektion 11: RNN und LSTMRNN: Gedächtnis von Schritt zu Schritt. LSTM/GRU: Tore steuern Behalten und Vergessen – besser für lange Folgen. Für Text heute meist vom Transformer abgelöst.
  4. Lektion 12: Transformer und AttentionTransformer: Self-Attention lässt jedes Wort auf alle anderen achten, parallel statt nacheinander. Grundlage aller großen Sprachmodelle.
  5. Lektion 13: Autoencoder, GAN, DiffusionAutoencoder: zusammenpressen und wiederherstellen (Anomalien). GAN: Fälscher gegen Prüfer. Diffusion: Rauschen schrittweise entfernen.

C · Praxis

  1. Lektion 14: Transfer LearningTransfer Learning: vortrainiertes Netz übernehmen, letzte Schicht ersetzen, zuerst nur diese trainieren. Ideal bei wenigen eigenen Daten.
  2. Lektion 15: Overfitting bei Deep LearningGegen Overfitting bei Deep Learning: Augmentation, Dropout, Early Stopping, Regularisierung, Transfer Learning.
  3. Lektion 16: Werkzeuge und AnwendungenDeep Learning braucht GPUs und Frameworks wie PyTorch oder Keras. Für den Einsatz werden Modelle oft verkleinert. Nicht jede Aufgabe braucht ein großes Netz.

Abschluss

  1. ÜbungenTragen Sie Ihre Antworten in die Felder ein. Freitext bewertet die KI wie ein IHK-Prüfer. Öffnen Sie die Musterlösung erst danach.
  2. Abschlussquiz20 Fragen, jeweils eine richtige Antwort. Ab 14 richtigen Antworten sind Sie gut vorbereitet.
  3. ZusammenfassungNeuron z = Σ w·x + b, a = f(z). Aktivierung ReLU innen; Sigmoid, Softmax, linear außen. Training Forward → Verlust → Backpropagation → Update; Epoche, Batch, Adam. Verlust MSE für Regression, Kreuzentropie für Klassifikation. Parameter Dense: Ein · Neuronen + Neuronen. Filter: F·F·Kanäle + 1. CNN Faltung, Pooling; (N − F + 2P)/S + 1. RNN/LSTM Gedächtnis über Schritte; Tore. Transformer Self-Attent