Deep Learning og Neurale Netværk
Beskrivelse
Deep Learning er kernen i mange af nutidens AI-gennembrud – fra ansigtsgenkendelse og sprogoversættelse til avanceret billedanalyse og tekstforståelse. På dette kursus lærer du, hvordan neurale netværk fungerer, og hvordan du kan bygge og træne dine egne deep learning-modeller i Python.
Vi starter med grundprincipperne bag neurale netværk: hvordan data bevæger sig fra input til output gennem lag, hvordan aktiveringsfunktioner skaber non-linearitet, og hvilke netværkstyper der bruges til forskellige opgaver – fx feedforward-netværk, convolutional neural networks (CNN), recurrent neural networks (RNN) og transformer-arkitekturer.
Derefter arbejder vi hands-on med TensorFlow/Keras (eller PyTorch), hvor du lærer at opbygge sekventielle modeller, definere optimizer, loss-funktioner og træningsparametre. Du træner og evaluerer modeller på datasæt som MNIST, og lærer at visualisere og justere din træning for bedre performance.
Vi dykker også ned i overfitting og regularisering, herunder dropout, L2-regulering og early stopping. Herefter arbejder vi med billedgenkendelse via CNN’er og tekstklassifikation med teknikker som tokenisering, embeddings og RNN/LSTM – eller ved at bruge prætrænede modeller fra Hugging Face.
Du lærer desuden at optimere dine modeller gennem hyperparameter-tuning og performanceanalyse med værktøjer som TensorBoard. Til sidst ser vi på interpretabilitet med SHAP/LIME og diskuterer ansvarlig brug af deep learning i produktion.
Kurset afsluttes med et mini-projekt, hvor du anvender deep learning på et nyt datasæt – billed- eller tekstdata – og præsenterer dine resultater.
Efter kurset kan du:
- Forstå, hvordan neurale netværk er opbygget og trænes
- Implementere deep learning-modeller med TensorFlow/Keras eller PyTorch
- Løse billed- og tekstklassifikationsopgaver med moderne arkitekturer
- Bruge regularisering og hyperparameter-tuning til at optimere performance
- Forklare og dokumentere modeladfærd med interpretabilitetsværktøjer
Moduloversigt
- Modul 1Grundprincipper i neurale netværk
- Fra input til output: forward propagation
- Aktiveringsfunktioner, lag og non-linearitet
- Typer af netværk: feedforward, CNN, RNN, transformer
- Modul 2Deep Learning med Keras (eller PyTorch)
- Opbygning af sekventielle modeller: layers, optimizer, loss, epochs
- Træning og evaluering på eksempel-datasæt (fx MNIST)
- Visualisering af træning og justering af parametre
- Modul 3Overfitting og regularisering
- Dropout, L2-regulering og early stopping
- Brug af valideringsdata og learning curves
- Hands-on: reducér overfitting i din model
- Modul 4Billedgenkendelse med Convolutional Neural Networks
- Convolution og pooling forklaret intuitivt
- Arkitektur og design af simple CNN-modeller
- Case: klassificering med CIFAR-10 eller Fashion-MNIST
- Modul 5Tekstklassifikation med neurale netværk
- Tokenisering og embeddings
- RNN/LSTM eller 1D CNN til tekstdata
- Alternativ: prætrænet model fra Hugging Face
- Modul 6Hyperparameter-tuning og performanceoptimering
- Batch size, learning rate, antal lag/neuroner
- TensorBoard eller lignende værktøjer
- Eksperimenter og visualisering af resultater
- Modul 7Interpretabilitet og ansvarlig brug
- Indblik i modelbeslutninger
- SHAP/LIME til model-forklaring
- Overvejelser ved brug af deep learning i produktion
- Modul 8Mini-projekt: Anvend deep learning på et nyt datasæt
- Vælg billed- eller tekstdata
- Design, træn og evaluer din model
- Del resultater og refleksioner
Er du i tvivl?
Det ligger os meget på sinde, at du finder det kursusforløb, der skaber størst værdi for dig og din arbejdsplads. Tag fat i vores kursusrådgivere, de sidder klar til at hjælpe dig!
