module #1 Inleiding tot diep leren Overzicht van diep leren, geschiedenis en toepassingen
module #2 Wiskundige vereisten Overzicht van lineaire algebra, calculus en waarschijnlijkheidstheorie
module #3 Basisbeginselen van neurale netwerken Inleiding naar kunstmatige neurale netwerken, perceptrons en meerlaagse perceptrons
module #4 Activeringsfuncties en backpropagatie Activeringsfuncties, backpropagatie en gradiëntdaling
module #5 Neural Networks bouwen en trainen Hands-on ervaring met het bouwen en het trainen van neurale netwerken met behulp van een deep learning-framework
module #6 Convolutional Neural Networks (CNNs) Inleiding tot CNNs, convolutionele lagen en poolinglagen
module #7 CNN Architectures AlexNet, VGGNet, GoogLeNet en ResNet architecturen
module #8 Leren en verfijnen overdragen Vooraf getrainde CNN-modellen gebruiken en afstemmen voor beeldclassificatietaken
module #9 Recurrente neurale netwerken (RNN's) Inleiding tot RNN's, eenvoudige RNN's, en LSTM-netwerken
module #10 RNN Architectures GRU, Bidirectionele RNNs en Encoder-Decoder-modellen
module #11 Sequence-to-Sequence Models Machinevertaling, chatbots en sequence-to-sequence-modellen
module #12 Generatieve modellen Inleiding tot generatieve modellen, GANs en VAEs
module #13 Autoencoders en Variationele Autoencoders Dimensionaliteitsreductie, autoencoders en VAEs
