Wie wir Deep Learning unterrichten
Seit 2022 entwickeln wir Kurse, die tatsächlich funktionieren. Keine abstrakten Theorien ohne Kontext. Stattdessen zeigen wir, wie man neuronale Netze baut, trainiert und in echten Projekten einsetzt.
Unsere Methode basiert auf praktischer Implementierung. Studierende schreiben Code von der ersten Woche an und arbeiten sich durch reale Probleme, die in der Industrie vorkommen.
Warum wir das machen
Deep Learning ist nicht kompliziert, weil es schwer ist. Es ist kompliziert, weil die meisten Kurse bei Mathematik anfangen und dann erwarten, dass man den Sprung zur Implementierung selbst macht.
Wir haben beide jahrelang in Forschung und Industrie gearbeitet. Annika hat Produktionsnetze für Bilderkennung gebaut, Livia hat adaptive Lernsysteme entwickelt. Dabei haben wir gesehen, was funktioniert und was nicht.
2022 haben wir Nexuformis gegründet, um einen anderen Ansatz zu zeigen. Man lernt am besten, indem man Dinge baut und dabei versteht, warum sie funktionieren oder nicht funktionieren.
Unsere Studierenden verbringen 70% der Zeit mit Code schreiben und debuggen. Das ist anstrengend, aber es ist auch der einzige Weg, um wirklich zu verstehen, was in einem neuronalen Netz passiert.
Gründung und erste Kurse
Wir haben mit 15 Studierenden angefangen. Der Kurs dauerte 8 Wochen und konzentrierte sich auf Convolutional Networks für Bildverarbeitung. Die meisten hatten vorher nur mit scikit-learn gearbeitet.
Erweiterung auf Sequenzmodelle
Wir haben Kurse für Recurrent Networks und Transformer hinzugefügt. Das war technisch herausfordernd, weil diese Architekturen mehr Vorwissen über Optimierung erfordern.
Spezialisierte Tracks
Wir bieten jetzt getrennte Pfade für Computer Vision und Natural Language Processing an. Jeder Track hat eigene Projekte und technische Schwerpunkte.
Fortgeschrittene Themen
Neue Module zu Reinforcement Learning und Generative Models sind verfügbar. Diese bauen auf den Grundkursen auf und erfordern solides Verständnis von Gradientenoptimierung.
Wer hinter Nexuformis steht
Wir haben beide unterschiedliche Hintergründe, aber ähnliche Erfahrungen mit frustrierenden Lernressourcen in Deep Learning. Deshalb machen wir es anders.
Annika Bergström
Gründerin & technische LeiterinIch habe 8 Jahre in industrieller KI gearbeitet, hauptsächlich Computer Vision für Produktionslinien. Die meiste Zeit ging dafür drauf, Netze zu debuggen, die nicht konvergieren wollten.
Bei Nexuformis konzentriere ich mich auf die technischen Kursinhalte. Ich zeige Studierenden, wie man systematisch Probleme mit Training und Architektur angeht, weil das in echten Projekten den Unterschied macht.
Livia Kowalczyk
Mitgründerin & BildungsdirektorinMein Hintergrund ist Forschung in computergestütztem Lernen. Ich habe adaptive Systeme entwickelt, die sich an individuelle Lerngeschwindigkeiten anpassen.
Bei Nexuformis strukturiere ich, wie wir Konzepte vermitteln. Ich achte darauf, dass die Reihenfolge der Themen Sinn ergibt und dass Studierende genug Zeit für praktische Übungen haben, bevor wir zum nächsten Thema gehen.
Code vor Theorie
Wir fangen mit funktionierendem Code an. Dann erklären wir, warum er funktioniert und was passiert, wenn man Dinge ändert. Das ist effektiver als mathematische Ableitungen ohne Kontext.
Echte Probleme lösen
Jedes Projekt basiert auf realen Aufgaben. Bildklassifikation mit unbalancierten Klassen, Textgenerierung mit begrenzten Daten, Objekterkennung in schwierigen Lichtverhältnissen. Das sind die Probleme, die tatsächlich auftauchen.
Fehler sind Teil des Prozesses
Netze, die nicht trainieren. Loss-Funktionen, die explodieren. Overfitting trotz Regularisierung. Wir zeigen, wie man diese Probleme identifiziert und systematisch behebt, weil das 80% der praktischen Arbeit ausmacht.
