Neuronale Netze – Grundlagen
Funktionsweise neuronaler Netze verstehen und erste Modelle entwickeln
01 Intro
Neuronale Netze bilden die Grundlage vieler moderner Verfahren in Machine
Learning und künstlicher Intelligenz. Trotz leistungsfähiger Frameworks ist
ein grundlegendes Verständnis ihrer Funktionsweise notwendig, um Modelle
sinnvoll aufzubauen, zu trainieren und ihre Ergebnisse beurteilen zu können.
Der Kurs vermittelt die zentralen Konzepte neuronaler Netze von künstlichen
Neuronen und Aktivierungsfunktionen über Forward Propagation und
Backpropagation bis zum Training mehrschichtiger Netze. Praktische Übungen
machen die Konzepte anhand überschaubarer Modelle nachvollziehbar.
Kurs-ID
ML-009
Dauer
3 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Python-Grundkenntnisse und grundlegendes Verständnis von Machine Learning
02 Trainingsprogramm
Inhalte
Von klassischen ML-Verfahren zu neuronalen Netzen
- Motivation
- lineare Modelle
- nichtlineare Zusammenhänge
- künstliche Neuronen
- neuronale Netze
- Deep Learning einordnen
Das künstliche Neuron
- Eingaben
- Gewichte
- Bias
- gewichtete Summe
- Aktivierungsfunktion
- einfache Entscheidungsmodelle
Aktivierungsfunktionen
- Sigmoid
- tanh
- ReLU
- weitere Varianten im Überblick
- Nichtlinearität
- Auswirkungen auf Training
Mehrschichtige Netze
- Input Layer
- Hidden Layer
- Output Layer
- Fully Connected Networks
- Netzarchitektur
- Anzahl von Parametern
Forward Propagation
- Datenfluss
- Matrixoperationen
- Berechnung von Aktivierungen
- Batch-Verarbeitung
- Ausgabe des Netzes
Loss Functions
- Fehlerfunktion
- Regression
- Klassifikation
- Mean Squared Error
- Cross Entropy
- Zusammenhang zwischen Aufgabe und Loss
Gradienten und Backpropagation
- Ableitungen
- Gradient
- Chain Rule
- Backpropagation
- Gewichtsaktualisierung
- konzeptionelles Verständnis
Optimierung
- Gradient Descent
- Stochastic Gradient Descent
- Mini-Batches
- Learning Rate
- Momentum
- Konvergenz
Training neuronaler Netze
- Epochen
- Batch Size
- Initialisierung
- Trainings- und Validierungsdaten
- Learning Curves
- typische Trainingsprobleme
Overfitting und Regularisierung
- Modellkapazität
- Trainings- versus Validierungsfehler
- Weight Decay
- Dropout
- Early Stopping
- Datenmenge
Moderne Netzarchitekturen einordnen
- Convolutional Neural Networks
- rekurrente Netze
- Attention
- Transformer
- Embeddings
- Überblick statt Implementierung im Detail
Praktisches Neural-Network-Projekt
- Datensatz vorbereiten
- Netz definieren
- Modell trainieren
- Lernverlauf beobachten
- Parameter verändern
- Ergebnisse bewerten
03 Durchführung
Rahmen und Organisation
Dauer
3 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Python, Jupyter und einem aktuellen Deep-Learning-Framework
Inhouse-Schulungen
Eigene Datensätze und Fragestellungen können für die praktischen Modelle
verwendet werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Entwickler, Data Scientists und technisch interessierte Data Analysts, die
neuronale Netze verstehen und eine Grundlage für weiterführende
Deep-Learning-Themen schaffen möchten.
Voraussetzungen
Python-Grundkenntnisse und Grundlagen des Machine Learning.
Grundkenntnisse in Vektoren, Matrizen und Ableitungen sind hilfreich.
05 Lernziele
Was Sie nach dem Kurs können
Die Teilnehmer verstehen Aufbau und Training neuronaler Netze, können
zentrale Begriffe wie Aktivierung, Loss, Gradient und Backpropagation
erklären und erste neuronale Modelle entwickeln und bewerten.
06 FAQ
Häufige Fragen
Ist das ein Deep-Learning-Spezialkurs?
Nein. Der Kurs schafft die fachlichen und praktischen Grundlagen, auf denen spezialisierte Deep-Learning-Kurse aufbauen können.
Welches Framework wird verwendet?
Für praktische Übungen wird ein geeignetes aktuelles Python-Framework eingesetzt. Im Mittelpunkt stehen die Konzepte und nicht die Bindung an ein bestimmtes Produkt.
Werden Transformer und LLMs behandelt?
Sie werden als moderne Weiterentwicklung neuronaler Architekturen eingeordnet. Ihre detaillierte Architektur ist nicht Gegenstand dieses Grundlagenkurses.
Muss ich höhere Mathematik beherrschen?
Nein. Die notwendigen mathematischen Konzepte werden so weit behandelt, wie sie zum Verständnis der Verfahren benötigt werden.