In diesem Modul werden Sie in die praktische Implementierung von Faltungsneuronalen Netzen für Bildklassifizierungsaufgaben eintauchen. Anhand eines Anwendungsfalls zur Klassifizierung landwirtschaftlicher Flächen werden Sie CNN-Modelle mit Keras und PyTorch erstellen und trainieren. Durch praktische Übungen sammeln Sie Erfahrung in der Konstruktion und Optimierung von Modellen in jedem Framework. Das Modul schließt mit einer vergleichenden Analyse der beiden Ansätze ab, die Ihnen hilft, die Kompromisse bei der Modellleistung, der Trainingseffizienz und den Einsatzüberlegungen zu verstehen. Am Ende dieses Moduls werden Sie in der Lage sein, das richtige Framework für ein bestimmtes Problem auszuwählen und Ihre Designentscheidungen anhand realer Evaluierungsmetriken zu rechtfertigen.

In diesem Modul lernen Sie Vision Transformers kennen, eine hochmoderne Deep-Learning-Architektur, die ursprünglich für die Verarbeitung natürlicher Sprache entwickelt wurde und nun das Feld der Computer Vision verändert. Sie lernen, wie Sie Transfer Learning auf Vision Transformers für reale Bildklassifizierungsaufgaben anwenden können. Mithilfe der Frameworks PyTorch und Keras werden Sie Vision-Transformer-Modelle in praktischen Szenarien implementieren, feinabstimmen und vergleichen. Durch praktische Übungen vertiefen Sie Ihr Verständnis dieser Frameworks, bewerten die Modellleistung und bereiten sich darauf vor, Transformator-basierte Modelle in eine komplette Deep-Learning-Pipeline zu integrieren. Dieses Modul baut auf Ihrem Vorwissen über Faltungsneuronale Netze auf und stattet Sie mit den Fähigkeiten aus, Transformers in visuellen Erkennungsaufgaben effektiv einzusetzen.

In diesem Modul werden Sie alle Fähigkeiten und Konzepte, die Sie gelernt haben, durch die Arbeit an einem realen Deep-Learning-Problem zusammenführen. Sie werden eine vergleichende Bewertung der Leistung des Vision-Transformers für Keras-basierte und PyTorch-basierte Modelle durchführen. Diese praktische Erfahrung soll Ihnen dabei helfen, Ihr Verständnis für die Anwendung von Transfer Learning und die Arbeitsabläufe beim Modelltraining zu vertiefen und Sie auf die abschließende Abgabe vorzubereiten. Abschließend fassen wir das Gelernte zusammen und zeigen die wichtigsten Erkenntnisse und nächsten Schritte auf.