Overview | Praktische Einführung in Deep Learning für Computer Vision

The listed learning units belong to the course Praktische Einführung in Deep Learning für Computer Vision. Do you want to access all course content?

Enroll yourself

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

Self-test

1.3.1 Funktionsweise des Gehirns (1)

Video

1.3.1 Selbsttest Funktionsweise des Gehirns (1)

Self-test

1.3.2 Funktionsweise des Gehirns (2)

Video

1.3.2 Selbsttest Funktionsweise des Gehirns (2)

Self-test

1.4 MNIST Datensatz

Video

1.4 Selbsttest MNIST

Self-test

1.5.1 Neuronale Netze: Aufbau (1)

Video

1.5.1 Selbsttest Aufbau NN (1)

Self-test

1.5.2 Neuronale Netze: Aufbau (2)

Video

1.5.2 Selbsttest Aufbau NN (2)

Self-test

1.6.1 Neuronale Netze: Lernen (1)

Video

1.6.1 Selbsttest NN Lernen (1)

Self-test

1.6.2 Neuronale Netze: Lernen (2)

Video

1.6.2 Selbsttest NN Lernen (2)

Self-test

1.7 Neuronale Netze: Lernen - Backpropagation

Video

1.7 Selbsttest Backpropagation

Self-test

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.

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

Self-test

3.3 Convolutional Layer

Video

3.3 Selbsttest Convolutional Layer

Self-test

3.4 Max-Pooling Layer

Video

3.4 Selbsttest Max-Pooling Layer

Self-test

3.5.1 Komplexe Layerstruktur

Video

3.5.1 Selbsttest Komplexe Layerstruktur

Self-test

Nutzung der deeplearning2020 Python library

Text

3.5.2 Praxis - Komplexe Layerstruktur

Video

3.5.2 Selbsttest Praxis - Komplexe Layerstruktur

Self-test

3.6.1 Loss Functions

Video

3.6.1 Selbsttest Loss Functions

Self-test

3.6.2 Praxis - Loss Functions

Video

3.6.2 Selbsttest Praxis - Loss Functions

Self-test

3.7.1 Optimizer

Video

3.7.1 Selbsttest Optimizer

Self-test

3.7.2 Praxis - Optimizer

Video

3.7.2 Selbsttest Optimizer Praxis

Self-test

3.8.1 Hyperparameter

Video

3.8.1 Selbsttest Hyperparameter

Self-test

3.8.2 Praxis Hyperparameter

Video

3.8.2 Selbsttest Praxis - Hyperparameter

Self-test

3.8.3 Hyperparameter - Tiefe des Netzes

Video

3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes

Self-test

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?

Self-test

4.1.2 Wie optimiert man Hyperparameter? (Praxis)

Video

4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)

Self-test

4.2 Wie trainiert man mit wenig Bildern?

Video

4.2 Selbsttest Wie trainiert man mit wenig Bildern?

Self-test

4.3.1 Wie funktioniert Dropout?

Video

4.3.1 Selbsttest Wie funktioniert Dropout?

Self-test

4.3.2 Wie funktioniert Dropout? (Praxis)

Video

4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)

Self-test

4.4.1 Wie funktioniert Batch Normalization?

Video

4.4.1 Selbsttest Wie funktioniert Batch Normalization?

Self-test

4.4.2 Wie funktioniert Batch Normalization? (Praxis)

Video

4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)

Self-test

4.5.1 Was ist Data Augmentation?

Video

4.5.1 Selbsttest Was ist Data Augmentation?

Self-test

4.5.2 Was ist Data Augmentation? (Praxis)

Video

4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)

Self-test

4.5.3 Zusammenfassung Regularisierungstechniken

Video

4.5.3 Zusammenfassung Regularisierungstechniken

Self-test

4.6 Was ist Transfer Learning?

Video

4.6 Selbsttest Was ist Transfer Learning?

Self-test

4.7.1 Transfer Learning Implementierung

Video

4.7.1 Selbsttest Transfer Learning Implementierung

Self-test

Exkurs - Exception, Aufbau eines aktuellen CNNs

Video

4.7.2 Transfer Learning Implementierung (Praxis)

Video

4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)

Self-test

4.8 Automated Machine Learning

Video

4.8 Selbsttest Automated Transfer Learning

Self-test

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

Graded 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

Survey