Bilderkennungssysteme sind überall, aber die meisten Entwickler behandeln sie wie eine Blackbox. Dieser Kurs zeigt dir, wie sie wirklich funktionieren.

Wir beginnen mit den mathematischen Grundlagen – wie Faltungsoperationen Muster in Pixeln erkennen und warum CNN-Architekturen bei visuellen Daten so effektiv sind. Du implementierst dein erstes Modell zur Klassifizierung von Ziffern aus dem MNIST-Datensatz, verstehst dabei Backpropagation und lernst, warum dein Modell manchmal eine 7 für eine 1 hält.

Die Praxis steht im Vordergrund:

• Datenaufbereitung und Augmentierung für realistische Szenarien
• Transfer Learning mit vortrainierten Modellen wie ResNet und EfficientNet
• Umgang mit unbalancierten Datensätzen und Overfitting
• Debugging von Modellen, die auf Testdaten versagen

Ein großer Teil befasst sich mit echten Problemen. Warum erkennt dein Modell Katzen nur bei perfekter Beleuchtung? Wie optimierst du die Inferenzzeit, wenn dein mobilfreundliches Modell zu langsam läuft? Du arbeitest mit realen Datensätzen und lernst, Metriken kritisch zu interpretieren.

Am Ende baust du ein vollständiges Bildklassifizierungssystem – von der Datenpipeline über das Training bis zum Deployment. Du verstehst, wann Genauigkeit wichtiger ist als Geschwindigkeit und wie man beides in Balance bringt.