Übersicht | Praktische Einführung in Deep Learning für Computer Vision

Die Lerneinheiten in dieser Liste gehören zum Kurs Praktische Einführung in Deep Learning für Computer Vision. Möchten Sie auf den gesamten Kursinhalt zugreifen?

Schreiben Sie sich hier ein

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

Text

1.0 Teamvorstellung & Kursübersicht

Video

1.1 Wochenüberblick

Video

1.2 Motivation

Video

1.2 Selbsttest Motivation

Selbsttest

1.3.1 Funktionsweise des Gehirns (1)

Video

1.3.1 Selbsttest Funktionsweise des Gehirns (1)

Selbsttest

1.3.2 Funktionsweise des Gehirns (2)

Video

1.3.2 Selbsttest Funktionsweise des Gehirns (2)

Selbsttest

1.4 MNIST Datensatz

Video

1.4 Selbsttest MNIST

Selbsttest

1.5.1 Neuronale Netze: Aufbau (1)

Video

1.5.1 Selbsttest Aufbau NN (1)

Selbsttest

1.5.2 Neuronale Netze: Aufbau (2)

Video

1.5.2 Selbsttest Aufbau NN (2)

Selbsttest

1.6.1 Neuronale Netze: Lernen (1)

Video

1.6.1 Selbsttest NN Lernen (1)

Selbsttest

1.6.2 Neuronale Netze: Lernen (2)

Video

1.6.2 Selbsttest NN Lernen (2)

Selbsttest

1.7 Neuronale Netze: Lernen - Backpropagation

Video

1.7 Selbsttest Backpropagation

Selbsttest

Freiwillige Übung 1 - Inhalte Woche 1 erklären

Text

Bonusaufgabe: Inhalte Woche 1 erklären

Bonus-Test

Freiwillige Übung 2 - Backpropagation

Text

Bonusaufgabe: Backpropagation

Bonus-Test

Exkurs: Mac Installation (grafisch)

Video

Exkurs: Mac Installation (cli - Homebrew Packet Manager)

Video

Exkurs: Windows Installation

Video

Exkurs: Linux Installation

Video

Lesematerial

Text

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

Text

2.1 Wochenüberblick

Video

2.1 Selbsttest Wochenüberblick

Selbsttest

Kurze Einführung in Google Colab

Text

2.2 Einführung zu NumPy

Video

2.2 Selbsttest NumPy

Selbsttest

2.3 Einführung zu Matplotlib

Video

2.3 Selbsttest Matplotlib

Selbsttest

2.4 Laden und Bearbeiten von MNIST

Video

2.4 Selbsttest Laden und Bearbeiten von MNIST

Selbsttest

2.5 Einführung zu TensorFlow/Keras

Video

2.5 Selbsttest TensorFlow/Keras

Selbsttest

2.6 Aktivierungsfunktionen

Video

2.6 Selbsttest Aktivierungsfunktionen

Selbsttest

2.7 Implementierung eines neuronalen Netzes für MNIST

Video

2.7 Selbsttest Implementierung neuronales Netz für MNIST

Selbsttest

2.8 Aktivierungsfunktionen Praxis

Video

2.8 Selbsttest Aktivierungsfunktionen Praxis

Selbsttest

2.9 Was sind gute Daten?

Video

2.9 Selbsttest Was sind gute Daten?

Selbsttest

Beschreibung der Übung

Text

Lesematerial

Text

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

Text

Zusatzinhalte aus Woche 2

Text

Zusatz: Nachtrag Woche 1

Video

3.1 Wochenüberblick

Video

3.2 Einführung in Computer Vision

Video

3.2 Selbsttest Einführung in Computer Vision

Selbsttest

3.3 Convolutional Layer

Video

3.3 Selbsttest Convolutional Layer

Selbsttest

3.4 Max-Pooling Layer

Video

3.4 Selbsttest Max-Pooling Layer

Selbsttest

3.5.1 Komplexe Layerstruktur

Video

3.5.1 Selbsttest Komplexe Layerstruktur

Selbsttest

Nutzung der deeplearning2020 Python library

Text

3.5.2 Praxis - Komplexe Layerstruktur

Video

3.5.2 Selbsttest Praxis - Komplexe Layerstruktur

Selbsttest

3.6.1 Loss Functions

Video

3.6.1 Selbsttest Loss Functions

Selbsttest

3.6.2 Praxis - Loss Functions

Video

3.6.2 Selbsttest Praxis - Loss Functions

Selbsttest

3.7.1 Optimizer

Video

3.7.1 Selbsttest Optimizer

Selbsttest

3.7.2 Praxis - Optimizer

Video

3.7.2 Selbsttest Optimizer Praxis

Selbsttest

3.8.1 Hyperparameter

Video

3.8.1 Selbsttest Hyperparameter

Selbsttest

3.8.2 Praxis Hyperparameter

Video

3.8.2 Selbsttest Praxis - Hyperparameter

Selbsttest

3.8.3 Hyperparameter - Tiefe des Netzes

Video

3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes

Selbsttest

Beschreibung der Übung

Text

Weitere Übungsmöglichkeiten

Text

Lesematerial

Text

Exkurs: Neuronales Netz von Scratch mit Python - Teil 1

Video

Exkurs: Neuronales Netz from Scratch mit Python - Teil 2

Video

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

Text

Wochenüberblick Woche 4

Video

4.1.1 Wie optimiert man Hyperparameter?

Video

4.1.1 Selbsttest Wie optimiert man Hyperparameter?

Selbsttest

4.1.2 Wie optimiert man Hyperparameter? (Praxis)

Video

4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)

Selbsttest

4.2 Wie trainiert man mit wenig Bildern?

Video

4.2 Selbsttest Wie trainiert man mit wenig Bildern?

Selbsttest

4.3.1 Wie funktioniert Dropout?

Video

4.3.1 Selbsttest Wie funktioniert Dropout?

Selbsttest

4.3.2 Wie funktioniert Dropout? (Praxis)

Video

4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)

Selbsttest

4.4.1 Wie funktioniert Batch Normalization?

Video

4.4.1 Selbsttest Wie funktioniert Batch Normalization?

Selbsttest

4.4.2 Wie funktioniert Batch Normalization? (Praxis)

Video

4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)

Selbsttest

4.5.1 Was ist Data Augmentation?

Video

4.5.1 Selbsttest Was ist Data Augmentation?

Selbsttest

4.5.2 Was ist Data Augmentation? (Praxis)

Video

4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)

Selbsttest

4.5.3 Zusammenfassung Regularisierungstechniken

Video

4.5.3 Zusammenfassung Regularisierungstechniken

Selbsttest

4.6 Was ist Transfer Learning?

Video

4.6 Selbsttest Was ist Transfer Learning?

Selbsttest

4.7.1 Transfer Learning Implementierung

Video

4.7.1 Selbsttest Transfer Learning Implementierung

Selbsttest

Exkurs - Exception, Aufbau eines aktuellen CNNs

Video

4.7.2 Transfer Learning Implementierung (Praxis)

Video

4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)

Selbsttest

4.8 Automated Machine Learning

Video

4.8 Selbsttest Automated Transfer Learning

Selbsttest

4.9 Aktuelle Computer Vision Probleme und Anwendungen

Video

Erinnerung an die Übung zu Woche 3 und 4

Text

Lesematerial

Text

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

Benoteter Test

Exkurs: Long Short Term Memory

Video

Exkurs: Generative Adversarial Networks Teil 1

Video

Exkurs: Generative Adversarial Networks Teil 2

Video

Exkurs: Generative Adversarial Networks Teil 3

Video

Exkurs: Generative Adversarial Networks Teil 4

Video

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

Text

Lösungen der Übungen

Text

Exkurs GAN - Code zum Exkurs

Text

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?

Text

Umfrage zum Kursabschluss

Umfrage