An error occurred while loading the video player, or it takes a long time to initialize. You can try clearing your browser cache. Please try again later and contact the helpdesk if the problem persists.
Über “Neuronale Netze”, “Artificial Intelligence” und “Deep Learning” reden heute alle. Jeder möchte künstliche Intelligenz nutzen, doch wie fange ich am besten damit an?
In diesem Kurs werden wir künstliche neuronale Netze, die Grundlage künstlicher Intelligenz, sowohl theoretisch als auch praktisch einführen. Dabei wollen wir genauer untersuchen, wie solche Netze funktionieren und wie man sie entwickeln und einsetzen kann. Der Kurs beinhaltet theoretische Grundlagen, praktische Übungen und weiterführende Exkurse, unter anderem in die Algorithmen, welche zum Trainieren von neuronalen Netzen verwendet werden. Anschließend werden wir lernen, wie ein Netz für verschiedene Einsatzzwecke optimiert werden kann und wie wir auch mit wenig Trainingsdaten Erfolge erzielen können. Am Ende zeigen wir, wie ihr selbst ein gutes Netz für ein eigenes Problem trainieren könnt.
Ziel des Kurses ist es, ein Verständnis von künstlichen neuronalen Netzen und deren Einsatz- und Optimierungsmöglichkeiten zu schaffen.
Language: Deutsch
Advanced, Big Data and AI, Programming
Course information
Zielgruppe
Wir laden alle an Machine Learning und künstlicher Intelligenz interessierten Personen ein, unseren Kurs zu belegen. Teilnehmende sollten von einem Zeitaufwand von 3 bis 6 Stunden pro Woche ausgehen. Um unserem Kurs gut folgen zu können, solltet ihr allerdings folgende Kenntnisse mitbringen:
- Grundlegende Programmierkenntnisse, vorzugsweise in Python
- Mathekenntnisse auf Abiturniveau
Prüfungsform
Das Zeugnis erhält, wer in der Summe aller benoteten Aufgaben mehr als 50% der Höchstpunktzahl erreicht hat. Dabei können 40% aller Punkte in den Übungen und 60% aller Punkte in der Abschlussprüfung erreicht werden.
Folgen Sie uns auf Twitter: @openHPI. Für Tweets zu diesem Kurs nutzen Sie bitte den Hashtag #neuralnets2020
Besuchen Sie uns auf Facebook: https://www.facebook.com/OpenHPI
Exkurse
Im Laufe des Kurses bieten wir verschiedene freiwillige Exkurse an. Darin geht es um spannende Themen, die nicht zum regulären Kursinhalt gehören, aber für interessierte Teilnehmer spannende Einblicke in die Hintergründe von Deep Learning oder auch den aktuellen Forschungsstand geben.
Zum Beispiel wird es folgende Exkurse geben:
- Programmierung eines neuronalen Netzes von Scratch (ohne Tensorflow, in Python)
- Installation von Tensorflow und Keras lokal
- Xception, ein aktuelles und sehr tiefes Netz für schwierige Computer Vision Aufgaben
- Generative Adversarial Networks, die real aussehende Fake-Bilder erzeugen und reale von Fake-Bildern unterscheiden können
Übungen
Es wird mehrere praktische Übungen geben, in denen ihr selbst künstliche neuronale Netze implementieren könnt. Ein Teil dieser Übungen fließt in das Zeugnis mit ein, außerdem gibt es freiwillige praktische Übungen. In den Übungen werdet ihr den wöchentlichen Inhalt praktisch wiederholen und dabei neue spannende Datensets benutzen.
I like, I wish
Wir freuen uns auf euer Feedback, Kritik, sachdienliche Hinweise und Lob. Alles ist gerne gesehen! Spart nicht damit :)
Hinweis auf weitere Kurse zur Thematik
Beachten Sie auch unseren openHPI-Kurs „Künstliche Intelligenz und maschinelles Lernen für Einsteiger“. Für diesen Einsteiger-Kurs ist keine Programmiererfahrung oder technisches Hintergrundwissen notwendig.
Course contents
Woche 1:
In der ersten Woche dieses Kurses wollen wir eine Einführung in die Grundlagen künstlicher neuronaler Netze geben. Wir werden zunächst die Möglichkeiten und Limitationen dieses Berechnungsmodells gegenüber traditioneller Algorithmik aufzeigen. Zudem wollen wir den Bezug zu biologischen neuronalen Netzen herstellen und genau verstehen, was sich hinter dem Begriff verbirgt. Außerdem werden wir uns den Aufbau und die Lernfähigkeit von künstlichen neuronalen Netzen herleiten.Woche 2:
In der zweiten Kurswoche stellen wir verschiedene Tools vor, die ihr für die Implementierung neuronaler Netze benötigt werden. Darunter fallen Numpy zur Berechnung von Matrizenoperationen, Matplotlib um Diagramme zu erstellen und Tensorflow / Keras für die Implementierung neuronaler Netze. Außerdem trainieren wir ein erstes neuronales Netz, welches handgeschriebene Zahlen erkennt. Darüber hinaus werdet ihr durch die praktische Übung anhand eines neuen Datensets ein einfaches neuronales Netz selbst trainieren können.Woche 3:
In der dritten Kurswoche gehen wir noch einmal genauer auf die Wichtigkeit guter Daten ein und steigen daraufhin tiefer in den Bereich Computer Vision ein. Wir erklären, welche Techniken speziell für die Bilderkennung in neuronales Netz verwendet werden müssen, damit wir auch hochauflösende Bilder benutzen können und wie komplexe neuronale Netze für die Bilderkennung detailliert aussehen. Somit werden wir in dieser Kurswoche die Grundlage legen um komplexe neuronale Netze so zu modifizieren, dass diese für neue Problemstellungen genutzt werden können. In dieser Woche wird es eine praktische Übung geben, in der das gelernte Wisse angewandt werden kann.Woche 4:
In der letzen Kurswoche geht es um die Optimierung von neuronalen Netzen. Wir schauen uns verschiedene Techniken an, die ihr benutzen könnt, um auch Netze mit sehr wenigen Bildern zu trainieren. Wir benutzen dabei einen besonders herausfordernden und hochauflösenden Bilddatensatz. Ihr lernt, wie ihr State-of-the-Art-Netze benutzen könnt, um euer die eigenen Ergebnisse zu verbessern. Mit Abschluss der Woche werdet ihr eure eigenen Probleme mit Deep Learning nutzen könnt.Abschlussprüfung und Exkurse:
Hier findet ihr die Abschlussprüfung und spannende Exkurse, die interessante Computer Vision Probleme erläutern. Freut euch auf Videos über Generative Adversarial Networks, Long-Short-Term Memories und Computer Vision Projekte von Anfang bis Ende.I like, I wish:
Wir freuen uns auf euer Feedback. Kritik, sachdienliche Hinweise, Lob - alles ist gerne gesehen! Spart nicht damit :)
Enroll me for this course
Learners
Rating
This course was rated with 4.56 stars in average from 112 votes.
Certificate Requirements
- Gain a Record of Achievement by earning at least 50% of the maximum number of points from all graded assignments.
- Gain a Confirmation of Participation by completing at least 50% of the course material.
- Gain an Open Badge by completing the course.
Find out more in the certificate guidelines.
This course is offered by
Das HPI-Student Team für neuronale Netze besteht aus den HPI-Studenten (v.l.n.r) Georg, Hendrik, Roman, Leonard und Benedikt. Sie studieren im fünften Bachelorsemester und haben sich im vergangenen Semester aus eigenem Interesse mit dem Thema Deep Learning und neuronale Netze beschäftigt. Herausgekommen ist dabei dieser Online Kurs, indem die Studenten die Gelegenheit nutzen wollen, das Thema auch anderen Interessierten beizubringen.
Bei der Kurserstellung betreut wurden sie aus dem openHPI-Team von Christiane und Tom, sowie dem Lehrstuhl "Internet-Technologien und Systeme" von Prof. Dr. Meinel.