Wie neuronale Netze mit KI lernen: Backpropagation, Gradientenabstieg und Loss-Funktionen im Detail

Wie neuronale Netze mit KI lernen: Backpropagation, Gradientenabstieg.

MODUL 01: DAS NEURON UND DAS NETZ

• Vom Perzeptron zum mehrschichtigen Netz
• Aktivierungsfunktionen und ihre Rolle
• Vorwärtspropagation Schritt für Schritt
• Live-Demo: ein Mini-Netz trifft eine Entscheidung
• Ihre Ausgangslage: Was ist für Sie noch Blackbox?

MODUL 02: LOSS-FUNKTIONEN

• Was ein gutes Fehlermaß ausmacht
• Loss für Regression und Klassifikation
• Zusammenhang zu Wahrscheinlichkeit (Likelihood)
• Übung: Sie wählen den passenden Loss für ein Problem
• Der Aha-Moment: der Fehler treibt das Lernen

MODUL 03: BACKPROPAGATION

• Kettenregel und Fehlerrückführung anschaulich
• Übung: Sie rechnen Backprop für ein Mini-Netz von Hand
• Vanishing und Exploding Gradients
• Warum tiefe Netze schwer zu trainieren sind
• Das Herzstück des Lernens verstehen

MODUL 04: TRAINING IN DER PRAXIS

• Lernrate, Batchgröße und Optimizer (SGD, Adam)
• Warum Training scheitert – und wie man es rettet
• Übung: Sie interpretieren einen Trainingsverlauf
• Der Aha-Moment: die Kurve verrät das Problem
• Von der Theorie zum stabilen Training

MODUL 05: VOM VERSTÄNDNIS ZUR ANWENDUNG

• Regularisierung: Dropout, Weight Decay, Early Stopping
• Diagnose typischer Trainingsprobleme
• Fallstudie: ein Trainingslauf im Detail
• Was Sie künftig anders debuggen
• Ihr Fahrplan zum souveränen Training