Diese strukturierte Artikelserie führt Schritt für Schritt in die Konzepte des Deep Learning ein - von künstlichen Neuronen über Perceptrons bis hin zu komplexen neuronalen Netzwerken und dem Backpropagation-Algorithmus.
Grundlagen tiefer neuronaler Netze - Architekturen, Training, Repräsentationslernen und Grenzen.
Aufbau, Funktionsweise und Grenzen des Perceptrons als frühes Modell künstlicher Neuronen.
Wie die Kettenregel Gradienten rückwärts durchs Netz trägt, warum Adam anders optimiert als SGD und was gegen verschwindende Gradienten wirklich hilft.