概貌 | Praktische Einführung in Deep Learning für Computer Vision |

列出的学习单元属于课程Praktische Einführung in Deep Learning für Computer Vision。您想访问所有课程内容吗？

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.

Willkommen in Woche 1

文本

1.0 Teamvorstellung & Kursübersicht

视频

1.1 Wochenüberblick

视频

1.2 Motivation

视频

1.2 Selbsttest Motivation

自我测试

1.3.1 Funktionsweise des Gehirns (1)

视频

1.3.1 Selbsttest Funktionsweise des Gehirns (1)

自我测试

1.3.2 Funktionsweise des Gehirns (2)

视频

1.3.2 Selbsttest Funktionsweise des Gehirns (2)

自我测试

1.4 MNIST Datensatz

视频

1.4 Selbsttest MNIST

自我测试

1.5.1 Neuronale Netze: Aufbau (1)

视频

1.5.1 Selbsttest Aufbau NN (1)

自我测试

1.5.2 Neuronale Netze: Aufbau (2)

视频

1.5.2 Selbsttest Aufbau NN (2)

自我测试

1.6.1 Neuronale Netze: Lernen (1)

视频

1.6.1 Selbsttest NN Lernen (1)

自我测试

1.6.2 Neuronale Netze: Lernen (2)

视频

1.6.2 Selbsttest NN Lernen (2)

自我测试

1.7 Neuronale Netze: Lernen - Backpropagation

视频

1.7 Selbsttest Backpropagation

自我测试

Freiwillige Übung 1 - Inhalte Woche 1 erklären

文本

Bonusaufgabe: Inhalte Woche 1 erklären

奖励测试

Freiwillige Übung 2 - Backpropagation

文本

Bonusaufgabe: Backpropagation

奖励测试

Exkurs: Mac Installation (grafisch)

视频

Exkurs: Mac Installation (cli - Homebrew Packet Manager)

视频

Exkurs: Windows Installation

视频

Exkurs: Linux Installation

视频

Lesematerial

文本

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.

Willkommen in Woche 2

文本

2.1 Wochenüberblick

视频

2.1 Selbsttest Wochenüberblick

自我测试

Kurze Einführung in Google Colab

文本

2.2 Einführung zu NumPy

视频

2.2 Selbsttest NumPy

自我测试

2.3 Einführung zu Matplotlib

视频

2.3 Selbsttest Matplotlib

自我测试

2.4 Laden und Bearbeiten von MNIST

视频

2.4 Selbsttest Laden und Bearbeiten von MNIST

自我测试

2.5 Einführung zu TensorFlow/Keras

视频

2.5 Selbsttest TensorFlow/Keras

自我测试

2.6 Aktivierungsfunktionen

视频

2.6 Selbsttest Aktivierungsfunktionen

自我测试

2.7 Implementierung eines neuronalen Netzes für MNIST

视频

2.7 Selbsttest Implementierung neuronales Netz für MNIST

自我测试

2.8 Aktivierungsfunktionen Praxis

视频

2.8 Selbsttest Aktivierungsfunktionen Praxis

自我测试

2.9 Was sind gute Daten?

视频

2.9 Selbsttest Was sind gute Daten?

自我测试

Beschreibung der Übung

文本

Lesematerial

文本

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.

Willkommen in Woche 3

文本

Zusatzinhalte aus Woche 2

文本

Zusatz: Nachtrag Woche 1

视频

3.1 Wochenüberblick

视频

3.2 Einführung in Computer Vision

视频

3.2 Selbsttest Einführung in Computer Vision

自我测试

3.3 Convolutional Layer

视频

3.3 Selbsttest Convolutional Layer

自我测试

3.4 Max-Pooling Layer

视频

3.4 Selbsttest Max-Pooling Layer

自我测试

3.5.1 Komplexe Layerstruktur

视频

3.5.1 Selbsttest Komplexe Layerstruktur

自我测试

Nutzung der deeplearning2020 Python library

文本

3.5.2 Praxis - Komplexe Layerstruktur

视频

3.5.2 Selbsttest Praxis - Komplexe Layerstruktur

自我测试

3.6.1 Loss Functions

视频

3.6.1 Selbsttest Loss Functions

自我测试

3.6.2 Praxis - Loss Functions

视频

3.6.2 Selbsttest Praxis - Loss Functions

自我测试

3.7.1 Optimizer

视频

3.7.1 Selbsttest Optimizer

自我测试

3.7.2 Praxis - Optimizer

视频

3.7.2 Selbsttest Optimizer Praxis

自我测试

3.8.1 Hyperparameter

视频

3.8.1 Selbsttest Hyperparameter

自我测试

3.8.2 Praxis Hyperparameter

视频

3.8.2 Selbsttest Praxis - Hyperparameter

自我测试

3.8.3 Hyperparameter - Tiefe des Netzes

视频

3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes

自我测试

Beschreibung der Übung

文本

Weitere Übungsmöglichkeiten

文本

Lesematerial

文本

Exkurs: Neuronales Netz von Scratch mit Python - Teil 1

视频

Exkurs: Neuronales Netz from Scratch mit Python - Teil 2

视频

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.

Willkommen in Woche 4

文本

Wochenüberblick Woche 4

视频

4.1.1 Wie optimiert man Hyperparameter?

视频

4.1.1 Selbsttest Wie optimiert man Hyperparameter?

自我测试

4.1.2 Wie optimiert man Hyperparameter? (Praxis)

视频

4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)

自我测试

4.2 Wie trainiert man mit wenig Bildern?

视频

4.2 Selbsttest Wie trainiert man mit wenig Bildern?

自我测试

4.3.1 Wie funktioniert Dropout?

视频

4.3.1 Selbsttest Wie funktioniert Dropout?

自我测试

4.3.2 Wie funktioniert Dropout? (Praxis)

视频

4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)

自我测试

4.4.1 Wie funktioniert Batch Normalization?

视频

4.4.1 Selbsttest Wie funktioniert Batch Normalization?

自我测试

4.4.2 Wie funktioniert Batch Normalization? (Praxis)

视频

4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)

自我测试

4.5.1 Was ist Data Augmentation?

视频

4.5.1 Selbsttest Was ist Data Augmentation?

自我测试

4.5.2 Was ist Data Augmentation? (Praxis)

视频

4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)

自我测试

4.5.3 Zusammenfassung Regularisierungstechniken

视频

4.5.3 Zusammenfassung Regularisierungstechniken

自我测试

4.6 Was ist Transfer Learning?

视频

4.6 Selbsttest Was ist Transfer Learning?

自我测试

4.7.1 Transfer Learning Implementierung

视频

4.7.1 Selbsttest Transfer Learning Implementierung

自我测试

Exkurs - Exception, Aufbau eines aktuellen CNNs

视频

4.7.2 Transfer Learning Implementierung (Praxis)

视频

4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)

自我测试

4.8 Automated Machine Learning

视频

4.8 Selbsttest Automated Transfer Learning

自我测试

4.9 Aktuelle Computer Vision Probleme und Anwendungen

视频

Erinnerung an die Übung zu Woche 3 und 4

文本

Lesematerial

文本

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.

Abschlussprüfung

分级测试

Exkurs: Long Short Term Memory

视频

Exkurs: Generative Adversarial Networks Teil 1

视频

Exkurs: Generative Adversarial Networks Teil 2

视频

Exkurs: Generative Adversarial Networks Teil 3

视频

Exkurs: Generative Adversarial Networks Teil 4

视频

Exkurs GAN - WGAN, WGAN-GP und Style-GAN

文本

Lösungen der Übungen

文本

Exkurs GAN - Code zum Exkurs

文本

I like, I wish

Wir freuen uns auf euer Feedback. Kritik, sachdienliche Hinweise, Lob - alles ist gerne gesehen! Spart nicht damit :)

I like, I wish - was ist das?

文本

Umfrage zum Kursabschluss

调查