Modul 5: Neuronale Netze und Deep Learning
Neuronale Netze stecken hinter Bild- und Spracherkennung, Übersetzung und generativer KI. In diesem Modul bauen Sie sie Schritt für Schritt auf: ein Neuron, eine Schicht, ein tiefes Netz. Sie verstehen, wie Netze lernen (Backpropagation), welche Architekturen es für Bilder, Folgen und Sprache gibt und wie große Sprachmodelle Text erzeugen. Zum Schluss entscheiden Sie wie ein Projektleiter zwischen Prompting, RAG und Fine-Tuning – mit Blick auf Kosten und Ressourcen.
Einleitung und häufige Fragen jedes Kapitels sind frei lesbar. Den vollständigen Inhalt mit Übungen und Quiz schalten Sie einmalig für 99 € frei.
Freischalten- EinführungNeuronale Netze und Deep Learning: vom einzelnen Neuron bis zum Sprachmodell Neuronale Netze stecken hinter Bild- und Spracherkennung, Übersetzung und generativer KI. In diesem Modul bauen Sie sie Schritt für Schritt auf: ein Neuron, eine Schicht, ein tiefes Netz. Sie verstehen, wie Netze lernen (Backpropagation), welche Architekturen es für Bilder, Folgen und Sprache gibt und wie große Sprachmode
- ÜbungenRechnen Sie mit Taschenrechner (e^x-Taste) und tragen Sie die Ergebnisse ein. Der Neuron-Rechner in Lektion 1 hilft bei der Kontrolle.
- Abschlussquiz20 Fragen im Stil der schriftlichen Prüfung, jeweils eine richtige Antwort. Ab 14 richtigen Antworten (70 %) sind Sie gut vorbereitet. Auswerten Neu beginnen
- ZusammenfassungNeuron gewichtete Summe + Bias + Aktivierung. Aktivierungen innen ReLU; außen Sigmoid, Softmax oder linear. Netz Schichten; Parameter = Eingänge · Neuronen + Neuronen. Training Verlust → Backpropagation → Optimierer (Adam); Batch, Epoche. Gegen Overfitting Augmentation, Dropout, Early Stopping, Transfer Learning. CNN Filter finden Muster in Bildern; Pooling verkleinert. RNN / Transformer Folgen mi
Teil A · Wie neuronale Netze lernen
- Lektion 1: Das künstliche NeuronNeuron = gewichtete Summe + Bias + Aktivierungsfunktion.
- Lektion 2: AktivierungsfunktionenInnen meist ReLU, außen Sigmoid (zwei Klassen), Softmax (mehrere Klassen) oder linear (Regression).
- Lektion 3: Vom Neuron zum NetzNetze lernen in Schichten: Jede Schicht baut aus den Merkmalen der vorigen abstraktere Merkmale.
- Lektion 4: VerlustfunktionenRegression → MSE, Klassifikation → Kreuzentropie. Der Verlust ist die Zahl, die das Training kleiner machen will.
- Lektion 5: BackpropagationBackpropagation sagt jedem Gewicht, in welche Richtung und wie stark es sich ändern muss; der Gradientenabstieg führt die Änderung aus.
- Lektion 6: Optimierer, Batch und EpocheEine Epoche = alle Daten einmal; Iterationen je Epoche = Anzahl Beispiele / Batchgröße.
- Lektion 7: Typische TrainingsproblemeDropout, Augmentation und Early Stopping sind die Standardmittel gegen Overfitting in neuronalen Netzen.
Teil B · Architekturen
- Lektion 8: Faltungsnetze (CNN)CNN: Filter gleiten über das Bild und finden Muster – von Kanten über Formen bis zu Objekten.
- Lektion 9: Rekurrente NetzeRNN/LSTM: ein Netz mit Gedächtnis, das Folgen Schritt für Schritt liest.
- Lektion 10: Transformer und AttentionTransformer verarbeiten alle Wörter gleichzeitig und lernen über Attention, welche Wörter füreinander wichtig sind – die Grundlage heutiger Sprachmodelle.
- Lektion 11: Transfer LearningNicht bei null anfangen: Vortrainierte Modelle mit wenigen eigenen Daten anpassen spart Daten, Zeit und Geld.
Teil C · Sprachmodelle und Anwendungen
- Lektion 12: Große SprachmodelleEin Sprachmodell berechnet Wahrscheinlichkeiten für das nächste Token – es „weiß“ nicht, ob ein Satz wahr ist. Deshalb sind Halluzinationen möglich.
- Lektion 13: Prompt EngineeringGute Prompts sind konkret: Rolle, Kontext, Aufgabe, Format, Beispiele und Grenzen.
- Lektion 14: RAGRAG bringt aktuelles, internes Wissen mit Quellenangabe ins Sprachmodell – ohne das Modell neu zu trainieren.
- Lektion 15: Prompting, RAG oder Fine-Tuning?Wissen fehlt → RAG. Verhalten fehlt → Fine-Tuning. Beginnen immer mit Prompting.
- Lektion 16: Anwendungen von Deep LearningDeep Learning ist stark bei unstrukturierten Daten – Bild, Ton, Text – und dort heute Stand der Technik.
- Lektion 17: Ressourcen und BetriebTraining ist einmalig teuer, Betrieb laufend – Cloud für schnellen Start und schwankende Last, eigene Infrastruktur bei hoher, stabiler Auslastung und strengen Datenschutzanforderungen.