Курс із самостійним навчанням

Praktische Einführung in Deep Learning für Computer Vision

Запропоновано HPI-Student Team für neuronale Netze

Перераховані навчальні одиниці належать до курсу Praktische Einführung in Deep Learning für Computer Vision. Бажаєте отримати доступ до всього вмісту курсу?

Запишіться самі

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

Текст

1.0 Teamvorstellung & Kursübersicht

Відео

1.1 Wochenüberblick

Відео

1.2 Motivation

Відео

1.2 Selbsttest Motivation

Самоперевірка

1.3.1 Funktionsweise des Gehirns (1)

Відео

1.3.1 Selbsttest Funktionsweise des Gehirns (1)

Самоперевірка

1.3.2 Funktionsweise des Gehirns (2)

Відео

1.3.2 Selbsttest Funktionsweise des Gehirns (2)

Самоперевірка

1.4 MNIST Datensatz

Відео

1.4 Selbsttest MNIST

Самоперевірка

1.5.1 Neuronale Netze: Aufbau (1)

Відео

1.5.1 Selbsttest Aufbau NN (1)

Самоперевірка

1.5.2 Neuronale Netze: Aufbau (2)

Відео

1.5.2 Selbsttest Aufbau NN (2)

Самоперевірка

1.6.1 Neuronale Netze: Lernen (1)

Відео

1.6.1 Selbsttest NN Lernen (1)

Самоперевірка

1.6.2 Neuronale Netze: Lernen (2)

Відео

1.6.2 Selbsttest NN Lernen (2)

Самоперевірка

1.7 Neuronale Netze: Lernen - Backpropagation

Відео

1.7 Selbsttest Backpropagation

Самоперевірка

Freiwillige Übung 1 - Inhalte Woche 1 erklären

Текст

Bonusaufgabe: Inhalte Woche 1 erklären

Бонусний тест

Freiwillige Übung 2 - Backpropagation

Текст

Bonusaufgabe: Backpropagation

Бонусний тест

Exkurs: Mac Installation (grafisch)

Відео

Exkurs: Mac Installation (cli - Homebrew Packet Manager)

Відео

Exkurs: Windows Installation

Відео

Exkurs: Linux Installation

Відео

Lesematerial

Текст

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

Текст

2.1 Wochenüberblick

Відео

2.1 Selbsttest Wochenüberblick

Самоперевірка

Kurze Einführung in Google Colab

Текст

2.2 Einführung zu NumPy

Відео

2.2 Selbsttest NumPy

Самоперевірка

2.3 Einführung zu Matplotlib

Відео

2.3 Selbsttest Matplotlib

Самоперевірка

2.4 Laden und Bearbeiten von MNIST

Відео

2.4 Selbsttest Laden und Bearbeiten von MNIST

Самоперевірка

2.5 Einführung zu TensorFlow/Keras

Відео

2.5 Selbsttest TensorFlow/Keras

Самоперевірка

2.6 Aktivierungsfunktionen

Відео

2.6 Selbsttest Aktivierungsfunktionen

Самоперевірка

2.7 Implementierung eines neuronalen Netzes für MNIST

Відео

2.7 Selbsttest Implementierung neuronales Netz für MNIST

Самоперевірка

2.8 Aktivierungsfunktionen Praxis

Відео

2.8 Selbsttest Aktivierungsfunktionen Praxis

Самоперевірка

2.9 Was sind gute Daten?

Відео

2.9 Selbsttest Was sind gute Daten?

Самоперевірка

Beschreibung der Übung

Текст

Lesematerial

Текст

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

Текст

Zusatzinhalte aus Woche 2

Текст

Zusatz: Nachtrag Woche 1

Відео

3.1 Wochenüberblick

Відео

3.2 Einführung in Computer Vision

Відео

3.2 Selbsttest Einführung in Computer Vision

Самоперевірка

3.3 Convolutional Layer

Відео

3.3 Selbsttest Convolutional Layer

Самоперевірка

3.4 Max-Pooling Layer

Відео

3.4 Selbsttest Max-Pooling Layer

Самоперевірка

3.5.1 Komplexe Layerstruktur

Відео

3.5.1 Selbsttest Komplexe Layerstruktur

Самоперевірка

Nutzung der deeplearning2020 Python library

Текст

3.5.2 Praxis - Komplexe Layerstruktur

Відео

3.5.2 Selbsttest Praxis - Komplexe Layerstruktur

Самоперевірка

3.6.1 Loss Functions

Відео

3.6.1 Selbsttest Loss Functions

Самоперевірка

3.6.2 Praxis - Loss Functions

Відео

3.6.2 Selbsttest Praxis - Loss Functions

Самоперевірка

3.7.1 Optimizer

Відео

3.7.1 Selbsttest Optimizer

Самоперевірка

3.7.2 Praxis - Optimizer

Відео

3.7.2 Selbsttest Optimizer Praxis

Самоперевірка

3.8.1 Hyperparameter

Відео

3.8.1 Selbsttest Hyperparameter

Самоперевірка

3.8.2 Praxis Hyperparameter

Відео

3.8.2 Selbsttest Praxis - Hyperparameter

Самоперевірка

3.8.3 Hyperparameter - Tiefe des Netzes

Відео

3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes

Самоперевірка

Beschreibung der Übung

Текст

Weitere Übungsmöglichkeiten

Текст

Lesematerial

Текст

Exkurs: Neuronales Netz von Scratch mit Python - Teil 1

Відео

Exkurs: Neuronales Netz from Scratch mit Python - Teil 2

Відео

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

Текст

Wochenüberblick Woche 4

Відео

4.1.1 Wie optimiert man Hyperparameter?

Відео

4.1.1 Selbsttest Wie optimiert man Hyperparameter?

Самоперевірка

4.1.2 Wie optimiert man Hyperparameter? (Praxis)

Відео

4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)

Самоперевірка

4.2 Wie trainiert man mit wenig Bildern?

Відео

4.2 Selbsttest Wie trainiert man mit wenig Bildern?

Самоперевірка

4.3.1 Wie funktioniert Dropout?

Відео

4.3.1 Selbsttest Wie funktioniert Dropout?

Самоперевірка

4.3.2 Wie funktioniert Dropout? (Praxis)

Відео

4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)

Самоперевірка

4.4.1 Wie funktioniert Batch Normalization?

Відео

4.4.1 Selbsttest Wie funktioniert Batch Normalization?

Самоперевірка

4.4.2 Wie funktioniert Batch Normalization? (Praxis)

Відео

4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)

Самоперевірка

4.5.1 Was ist Data Augmentation?

Відео

4.5.1 Selbsttest Was ist Data Augmentation?

Самоперевірка

4.5.2 Was ist Data Augmentation? (Praxis)

Відео

4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)

Самоперевірка

4.5.3 Zusammenfassung Regularisierungstechniken

Відео

4.5.3 Zusammenfassung Regularisierungstechniken

Самоперевірка

4.6 Was ist Transfer Learning?

Відео

4.6 Selbsttest Was ist Transfer Learning?

Самоперевірка

4.7.1 Transfer Learning Implementierung

Відео

4.7.1 Selbsttest Transfer Learning Implementierung

Самоперевірка

Exkurs - Exception, Aufbau eines aktuellen CNNs

Відео

4.7.2 Transfer Learning Implementierung (Praxis)

Відео

4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)

Самоперевірка

4.8 Automated Machine Learning

Відео

4.8 Selbsttest Automated Transfer Learning

Самоперевірка

4.9 Aktuelle Computer Vision Probleme und Anwendungen

Відео

Erinnerung an die Übung zu Woche 3 und 4

Текст

Lesematerial

Текст

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?

Текст

Umfrage zum Kursabschluss

Опитування