Stanford CS230: Deep Learning

Stanford CS230: Deep Learning ist ein Kurs, der darauf abzielt, ein tiefes Verständnis der Prinzipien und Praktiken des Deep Learning zu vermitteln. Der Kurs behandelt eine Vielzahl von Themen, darunter neuronale Netzwerke, Convolutional Networks, RNNs, LSTMs und Optimierungstechniken wie Adam, Dropout und BatchNorm. Der Kurs ist im Format eines umgedrehten Klassenzimmers strukturiert, mit wöchentlichen Präsenzvorlesungen im Hewlett Teaching Center. Die Studierenden werden erwartet, sich mit Video-Vorlesungen, Programmieraufgaben und Quizzen auf Coursera auseinanderzusetzen. Der Kurs umfasst auch eine Zwischenprüfung und ein Abschlussprojekt, das einen wesentlichen Bestandteil der Bewertung darstellt. Die Studierenden arbeiten an Projekten mit individueller Anleitung von TAs, um sicherzustellen, dass sie erfolgreiche Deep-Learning-Projekte umsetzen können. Voraussetzungen sind Kenntnisse in Wahrscheinlichkeitstheorie, Statistik, Datenwissenschaft und linearer Algebra. Der Kurs legt Wert auf praktisches Lernen, wobei von TAs geleitete Abschnitte praktische Tipps und theoretische Grundlagen bieten. Die Bewertung setzt sich aus dem Abschlussprojekt, der Zwischenprüfung, Programmieraufgaben, Quizzen und der Anwesenheit zusammen. Die Studierenden werden ermutigt, zusammenzuarbeiten, müssen jedoch den Stanford Ehrenkodex einhalten, um sicherzustellen, dass alle eingereichten Arbeiten ihre eigenen sind. Der Kurs eignet sich für diejenigen, die ihr Verständnis von KI und Machine Learning vertiefen möchten, mit einem Fokus auf praktischer Anwendung und projektbasiertem Lernen.

• Grundlagen des Deep Learning

• Aufbau von neuronalen Netzwerken

• Verständnis von Machine-Learning-Projekten

• Convolutional Networks

• RNNs und LSTMs

• Optimierungstechniken

• Format des umgedrehten Klassenzimmers

• Projektbasiertes Lernen