Moderne Vision KI und multimodales Verständnis

In einer Zeit, in der künstliche Intelligenz in einer Welt von Bildern und Wörtern navigieren muss, ist es wichtig zu verstehen, wie Maschinen verschiedene Datentypen verarbeiten. Dieser Kurs bietet einen klaren Weg in die Mechanik der visuellen und multimodalen Intelligenz und erklärt, wie Systeme die Lücke zwischen Pixeln und Sprache schließen.Sie werden von den mathematischen Grundlagen der Signalverarbeitung zu den ausgeklügelten Modellen übergehen, die die heute bekanntesten KI-Anwendungen unterstützen. Am Ende dieses Kurses verstehen Sie die Logik moderner Bildverarbeitungssysteme und wie sie verschiedene Informationsformen integrieren, um komplexe Aufgaben zu lösen.Durch schriftliche Erläuterungen und praktische Beispiele erhalten Sie ein konzeptionelles und technisches Verständnis, wie KI die Welt "sieht" und "versteht". Was Sie lernen werden: - Verstehen Sie die grundlegende Signalverarbeitung und die Rolle von Fourier-Transformationen in Bilddaten. - Lernen Sie die Mechanik von nichtlinearen Support-Vector-Maschinen (NSVMs) für die anspruchsvolle Datenklassifizierung kennen. - Erkunden Sie die Architektur von Vision Transformers (ViT) und wie sie die Bildanalyse revolutionieren. - Wenden Sie multimodale Konzepte wie CLIP an, um visuelle Daten mit natürlicher Sprache zu verbinden. - Verstehen Sie Vektoreinbettungen und wie sie einen effizienten crossmodalen Abruf ermöglichen. - Üben Sie die Interpretation moderner Modellarchitekturen durch schriftliche Analyse und konzeptionelle Übungen. Der Kurs beginnt mit der grundlegenden Terminologie und den mathematischen Grundlagen der Signalverarbeitung, bevor er sich mit Deep-Learning-Strukturen und multimodaler Integration befasst. Er richtet sich an Anfänger und neugierige Lernende, die das "Wie" hinter moderner visueller KI verstehen möchten, ohne dass sie vorherige Erfahrungen in diesem Bereich benötigen.