Grundlagen: Analogie, Aufbau neuronaler Netze, universelle Approximationseigenschaft, NP-Vollständigkeit

Feedforward-Netze: Backpropagation, Varianten des stochastischen Gradientenverfahrens

Deep Learning: Probleme und Lösungsstrategien

Deep Belief Networks: Energie-basierte Modelle, Contrastive Divergence

Faltungsnetze: Idee, Aufbau, FFT und Algorithmen von Winograd, Implementationsdetails

Rekurrente Netze: Idee, dynamische Systeme, Training, LSTM

Residuale Netze: Idee, Verbindung zu neuronalen ODEs

Standardbibliotheken: Tensorflow, Keras, PyTorch