Visión general | Praktische Einführung in Deep Learning für Computer

Las unidades de aprendizaje listadas pertenecen al curso Praktische Einführung in Deep Learning für Computer Vision. ¿Desea acceder a todo el contenido del curso?

Inscríbase usted mismo

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

Texto

1.0 Teamvorstellung & Kursübersicht

Vídeo

1.1 Wochenüberblick

Vídeo

1.2 Motivation

Vídeo

1.2 Selbsttest Motivation

Prueba de autoevaluación

1.3.1 Funktionsweise des Gehirns (1)

Vídeo

1.3.1 Selbsttest Funktionsweise des Gehirns (1)

Prueba de autoevaluación

1.3.2 Funktionsweise des Gehirns (2)

Vídeo

1.3.2 Selbsttest Funktionsweise des Gehirns (2)

Prueba de autoevaluación

1.4 MNIST Datensatz

Vídeo

1.4 Selbsttest MNIST

Prueba de autoevaluación

1.5.1 Neuronale Netze: Aufbau (1)

Vídeo

1.5.1 Selbsttest Aufbau NN (1)

Prueba de autoevaluación

1.5.2 Neuronale Netze: Aufbau (2)

Vídeo

1.5.2 Selbsttest Aufbau NN (2)

Prueba de autoevaluación

1.6.1 Neuronale Netze: Lernen (1)

Vídeo

1.6.1 Selbsttest NN Lernen (1)

Prueba de autoevaluación

1.6.2 Neuronale Netze: Lernen (2)

Vídeo

1.6.2 Selbsttest NN Lernen (2)

Prueba de autoevaluación

1.7 Neuronale Netze: Lernen - Backpropagation

Vídeo

1.7 Selbsttest Backpropagation

Prueba de autoevaluación

Freiwillige Übung 1 - Inhalte Woche 1 erklären

Texto

Bonusaufgabe: Inhalte Woche 1 erklären

Prueba (bonus)

Freiwillige Übung 2 - Backpropagation

Texto

Bonusaufgabe: Backpropagation

Prueba (bonus)

Exkurs: Mac Installation (grafisch)

Vídeo

Exkurs: Mac Installation (cli - Homebrew Packet Manager)

Vídeo

Exkurs: Windows Installation

Vídeo

Exkurs: Linux Installation

Vídeo

Lesematerial

Texto

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

Texto

2.1 Wochenüberblick

Vídeo

2.1 Selbsttest Wochenüberblick

Prueba de autoevaluación

Kurze Einführung in Google Colab

Texto

2.2 Einführung zu NumPy

Vídeo

2.2 Selbsttest NumPy

Prueba de autoevaluación

2.3 Einführung zu Matplotlib

Vídeo

2.3 Selbsttest Matplotlib

Prueba de autoevaluación

2.4 Laden und Bearbeiten von MNIST

Vídeo

2.4 Selbsttest Laden und Bearbeiten von MNIST

Prueba de autoevaluación

2.5 Einführung zu TensorFlow/Keras

Vídeo

2.5 Selbsttest TensorFlow/Keras

Prueba de autoevaluación

2.6 Aktivierungsfunktionen

Vídeo

2.6 Selbsttest Aktivierungsfunktionen

Prueba de autoevaluación

2.7 Implementierung eines neuronalen Netzes für MNIST

Vídeo

2.7 Selbsttest Implementierung neuronales Netz für MNIST

Prueba de autoevaluación

2.8 Aktivierungsfunktionen Praxis

Vídeo

2.8 Selbsttest Aktivierungsfunktionen Praxis

Prueba de autoevaluación

2.9 Was sind gute Daten?

Vídeo

2.9 Selbsttest Was sind gute Daten?

Prueba de autoevaluación

Beschreibung der Übung

Texto

Lesematerial

Texto

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

Texto

Zusatzinhalte aus Woche 2

Texto

Zusatz: Nachtrag Woche 1

Vídeo

3.1 Wochenüberblick

Vídeo

3.2 Einführung in Computer Vision

Vídeo

3.2 Selbsttest Einführung in Computer Vision

Prueba de autoevaluación

3.3 Convolutional Layer

Vídeo

3.3 Selbsttest Convolutional Layer

Prueba de autoevaluación

3.4 Max-Pooling Layer

Vídeo

3.4 Selbsttest Max-Pooling Layer

Prueba de autoevaluación

3.5.1 Komplexe Layerstruktur

Vídeo

3.5.1 Selbsttest Komplexe Layerstruktur

Prueba de autoevaluación

Nutzung der deeplearning2020 Python library

Texto

3.5.2 Praxis - Komplexe Layerstruktur

Vídeo

3.5.2 Selbsttest Praxis - Komplexe Layerstruktur

Prueba de autoevaluación

3.6.1 Loss Functions

Vídeo

3.6.1 Selbsttest Loss Functions

Prueba de autoevaluación

3.6.2 Praxis - Loss Functions

Vídeo

3.6.2 Selbsttest Praxis - Loss Functions

Prueba de autoevaluación

3.7.1 Optimizer

Vídeo

3.7.1 Selbsttest Optimizer

Prueba de autoevaluación

3.7.2 Praxis - Optimizer

Vídeo

3.7.2 Selbsttest Optimizer Praxis

Prueba de autoevaluación

3.8.1 Hyperparameter

Vídeo

3.8.1 Selbsttest Hyperparameter

Prueba de autoevaluación

3.8.2 Praxis Hyperparameter

Vídeo

3.8.2 Selbsttest Praxis - Hyperparameter

Prueba de autoevaluación

3.8.3 Hyperparameter - Tiefe des Netzes

Vídeo

3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes

Prueba de autoevaluación

Beschreibung der Übung

Texto

Weitere Übungsmöglichkeiten

Texto

Lesematerial

Texto

Exkurs: Neuronales Netz von Scratch mit Python - Teil 1

Vídeo

Exkurs: Neuronales Netz from Scratch mit Python - Teil 2

Vídeo

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

Texto

Wochenüberblick Woche 4

Vídeo

4.1.1 Wie optimiert man Hyperparameter?

Vídeo

4.1.1 Selbsttest Wie optimiert man Hyperparameter?

Prueba de autoevaluación

4.1.2 Wie optimiert man Hyperparameter? (Praxis)

Vídeo

4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)

Prueba de autoevaluación

4.2 Wie trainiert man mit wenig Bildern?

Vídeo

4.2 Selbsttest Wie trainiert man mit wenig Bildern?

Prueba de autoevaluación

4.3.1 Wie funktioniert Dropout?

Vídeo

4.3.1 Selbsttest Wie funktioniert Dropout?

Prueba de autoevaluación

4.3.2 Wie funktioniert Dropout? (Praxis)

Vídeo

4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)

Prueba de autoevaluación

4.4.1 Wie funktioniert Batch Normalization?

Vídeo

4.4.1 Selbsttest Wie funktioniert Batch Normalization?

Prueba de autoevaluación

4.4.2 Wie funktioniert Batch Normalization? (Praxis)

Vídeo

4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)

Prueba de autoevaluación

4.5.1 Was ist Data Augmentation?

Vídeo

4.5.1 Selbsttest Was ist Data Augmentation?

Prueba de autoevaluación

4.5.2 Was ist Data Augmentation? (Praxis)

Vídeo

4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)

Prueba de autoevaluación

4.5.3 Zusammenfassung Regularisierungstechniken

Vídeo

4.5.3 Zusammenfassung Regularisierungstechniken

Prueba de autoevaluación

4.6 Was ist Transfer Learning?

Vídeo

4.6 Selbsttest Was ist Transfer Learning?

Prueba de autoevaluación

4.7.1 Transfer Learning Implementierung

Vídeo

4.7.1 Selbsttest Transfer Learning Implementierung

Prueba de autoevaluación

Exkurs - Exception, Aufbau eines aktuellen CNNs

Vídeo

4.7.2 Transfer Learning Implementierung (Praxis)

Vídeo

4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)

Prueba de autoevaluación

4.8 Automated Machine Learning

Vídeo

4.8 Selbsttest Automated Transfer Learning

Prueba de autoevaluación

4.9 Aktuelle Computer Vision Probleme und Anwendungen

Vídeo

Erinnerung an die Übung zu Woche 3 und 4

Texto

Lesematerial

Texto

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

Prueba evaluada

Exkurs: Long Short Term Memory

Vídeo

Exkurs: Generative Adversarial Networks Teil 1

Vídeo

Exkurs: Generative Adversarial Networks Teil 2

Vídeo

Exkurs: Generative Adversarial Networks Teil 3

Vídeo

Exkurs: Generative Adversarial Networks Teil 4

Vídeo

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

Texto

Lösungen der Übungen

Texto

Exkurs GAN - Code zum Exkurs

Texto

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?

Texto

Umfrage zum Kursabschluss

Encuesta