Übersicht | Praktische Einführung in Deep Learning für Computer Vision

Menü

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

Lernmaterial

1.3.1 Funktionsweise des Gehirns (1)

Video

1.3.1 Selbsttest Funktionsweise des Gehirns (1)

Lernmaterial

1.3.2 Funktionsweise des Gehirns (2)

Video

1.3.2 Selbsttest Funktionsweise des Gehirns (2)

Lernmaterial

1.4 MNIST Datensatz

Video

1.4 Selbsttest MNIST

Lernmaterial

1.5.1 Neuronale Netze: Aufbau (1)

Video

1.5.1 Selbsttest Aufbau NN (1)

Lernmaterial

1.5.2 Neuronale Netze: Aufbau (2)

Video

1.5.2 Selbsttest Aufbau NN (2)

Lernmaterial

1.6.1 Neuronale Netze: Lernen (1)

Video

1.6.1 Selbsttest NN Lernen (1)

Lernmaterial

1.6.2 Neuronale Netze: Lernen (2)

Video

1.6.2 Selbsttest NN Lernen (2)

Lernmaterial

1.7 Neuronale Netze: Lernen - Backpropagation

Video

1.7 Selbsttest Backpropagation

Lernmaterial

Freiwillige Übung 1 - Inhalte Woche 1 erklären

Text

Bonusaufgabe: Inhalte Woche 1 erklären

Lernmaterial

Freiwillige Übung 2 - Backpropagation

Text

Bonusaufgabe: Backpropagation

Lernmaterial

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

Lernmaterial

Kurze Einführung in Google Colab

Text

2.2 Einführung zu NumPy

Video

2.2 Selbsttest NumPy

Lernmaterial

2.3 Einführung zu Matplotlib

Video

2.3 Selbsttest Matplotlib

Lernmaterial

2.4 Laden und Bearbeiten von MNIST

Video

2.4 Selbsttest Laden und Bearbeiten von MNIST

Lernmaterial

2.5 Einführung zu TensorFlow/Keras

Video

2.5 Selbsttest TensorFlow/Keras

Lernmaterial

2.6 Aktivierungsfunktionen

Video

2.6 Selbsttest Aktivierungsfunktionen

Lernmaterial

2.7 Implementierung eines neuronalen Netzes für MNIST

Video

2.7 Selbsttest Implementierung neuronales Netz für MNIST

Lernmaterial

2.8 Aktivierungsfunktionen Praxis

Video

2.8 Selbsttest Aktivierungsfunktionen Praxis

Lernmaterial

2.9 Was sind gute Daten?

Video

2.9 Selbsttest Was sind gute Daten?

Lernmaterial

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

Lernmaterial

3.3 Convolutional Layer

Video

3.3 Selbsttest Convolutional Layer

Lernmaterial

3.4 Max-Pooling Layer

Video

3.4 Selbsttest Max-Pooling Layer

Lernmaterial

3.5.1 Komplexe Layerstruktur

Video

3.5.1 Selbsttest Komplexe Layerstruktur

Lernmaterial

Nutzung der deeplearning2020 Python library

Text

3.5.2 Praxis - Komplexe Layerstruktur

Video

3.5.2 Selbsttest Praxis - Komplexe Layerstruktur

Lernmaterial

3.6.1 Loss Functions

Video

3.6.1 Selbsttest Loss Functions

Lernmaterial

3.6.2 Praxis - Loss Functions

Video

3.6.2 Selbsttest Praxis - Loss Functions

Lernmaterial

3.7.1 Optimizer

Video

3.7.1 Selbsttest Optimizer

Lernmaterial

3.7.2 Praxis - Optimizer

Video

3.7.2 Selbsttest Optimizer Praxis

Lernmaterial

3.8.1 Hyperparameter

Video

3.8.1 Selbsttest Hyperparameter

Lernmaterial

3.8.2 Praxis Hyperparameter

Video

3.8.2 Selbsttest Praxis - Hyperparameter

Lernmaterial

3.8.3 Hyperparameter - Tiefe des Netzes

Video

3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes

Lernmaterial

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?

Lernmaterial

4.1.2 Wie optimiert man Hyperparameter? (Praxis)

Video

4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)

Lernmaterial

4.2 Wie trainiert man mit wenig Bildern?

Video

4.2 Selbsttest Wie trainiert man mit wenig Bildern?

Lernmaterial

4.3.1 Wie funktioniert Dropout?

Video

4.3.1 Selbsttest Wie funktioniert Dropout?

Lernmaterial

4.3.2 Wie funktioniert Dropout? (Praxis)

Video

4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)

Lernmaterial

4.4.1 Wie funktioniert Batch Normalization?

Video

4.4.1 Selbsttest Wie funktioniert Batch Normalization?

Lernmaterial

4.4.2 Wie funktioniert Batch Normalization? (Praxis)

Video

4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)

Lernmaterial

4.5.1 Was ist Data Augmentation?

Video

4.5.1 Selbsttest Was ist Data Augmentation?

Lernmaterial

4.5.2 Was ist Data Augmentation? (Praxis)

Video

4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)

Lernmaterial

4.5.3 Zusammenfassung Regularisierungstechniken

Video

4.5.3 Zusammenfassung Regularisierungstechniken

Lernmaterial

4.6 Was ist Transfer Learning?

Video

4.6 Selbsttest Was ist Transfer Learning?

Lernmaterial

4.7.1 Transfer Learning Implementierung

Video

4.7.1 Selbsttest Transfer Learning Implementierung

Lernmaterial

Exkurs - Exception, Aufbau eines aktuellen CNNs

Video

4.7.2 Transfer Learning Implementierung (Praxis)

Video

4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)

Lernmaterial

4.8 Automated Machine Learning

Video

4.8 Selbsttest Automated Transfer Learning

Lernmaterial

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

Lernmaterial

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

Zur Übersicht

Woche 1
- Willkommen in Woche 1
- 1.0 Teamvorstellung & Kursübersicht
- 1.1 Wochenüberblick
- 1.2 Motivation
- 1.2 Selbsttest Motivation
- 1.3.1 Funktionsweise des Gehirns (1)
- 1.3.1 Selbsttest Funktionsweise des Gehirns (1)
- 1.3.2 Funktionsweise des Gehirns (2)
- 1.3.2 Selbsttest Funktionsweise des Gehirns (2)
- 1.4 MNIST Datensatz
- 1.4 Selbsttest MNIST
- 1.5.1 Neuronale Netze: Aufbau (1)
- 1.5.1 Selbsttest Aufbau NN (1)
- 1.5.2 Neuronale Netze: Aufbau (2)
- 1.5.2 Selbsttest Aufbau NN (2)
- 1.6.1 Neuronale Netze: Lernen (1)
- 1.6.1 Selbsttest NN Lernen (1)
- 1.6.2 Neuronale Netze: Lernen (2)
- 1.6.2 Selbsttest NN Lernen (2)
- 1.7 Neuronale Netze: Lernen - Backpropagation
- 1.7 Selbsttest Backpropagation
- Freiwillige Übung 1 - Inhalte Woche 1 erklären
- Bonusaufgabe: Inhalte Woche 1 erklären
- Freiwillige Übung 2 - Backpropagation
- Bonusaufgabe: Backpropagation
- Exkurs: Mac Installation (grafisch)
- Exkurs: Mac Installation (cli - Homebrew Packet Manager)
- Exkurs: Windows Installation
- Exkurs: Linux Installation
- Lesematerial
Woche 2
- Willkommen in Woche 2
- 2.1 Wochenüberblick
- 2.1 Selbsttest Wochenüberblick
- Kurze Einführung in Google Colab
- 2.2 Einführung zu NumPy
- 2.2 Selbsttest NumPy
- 2.3 Einführung zu Matplotlib
- 2.3 Selbsttest Matplotlib
- 2.4 Laden und Bearbeiten von MNIST
- 2.4 Selbsttest Laden und Bearbeiten von MNIST
- 2.5 Einführung zu TensorFlow/Keras
- 2.5 Selbsttest TensorFlow/Keras
- 2.6 Aktivierungsfunktionen
- 2.6 Selbsttest Aktivierungsfunktionen
- 2.7 Implementierung eines neuronalen Netzes für MNIST
- 2.7 Selbsttest Implementierung neuronales Netz für MNIST
- 2.8 Aktivierungsfunktionen Praxis
- 2.8 Selbsttest Aktivierungsfunktionen Praxis
- 2.9 Was sind gute Daten?
- 2.9 Selbsttest Was sind gute Daten?
- Beschreibung der Übung
- Lesematerial
Woche 3
- Willkommen in Woche 3
- Zusatzinhalte aus Woche 2
- Zusatz: Nachtrag Woche 1
- 3.1 Wochenüberblick
- 3.2 Einführung in Computer Vision
- 3.2 Selbsttest Einführung in Computer Vision
- 3.3 Convolutional Layer
- 3.3 Selbsttest Convolutional Layer
- 3.4 Max-Pooling Layer
- 3.4 Selbsttest Max-Pooling Layer
- 3.5.1 Komplexe Layerstruktur
- 3.5.1 Selbsttest Komplexe Layerstruktur
- Nutzung der deeplearning2020 Python library
- 3.5.2 Praxis - Komplexe Layerstruktur
- 3.5.2 Selbsttest Praxis - Komplexe Layerstruktur
- 3.6.1 Loss Functions
- 3.6.1 Selbsttest Loss Functions
- 3.6.2 Praxis - Loss Functions
- 3.6.2 Selbsttest Praxis - Loss Functions
- 3.7.1 Optimizer
- 3.7.1 Selbsttest Optimizer
- 3.7.2 Praxis - Optimizer
- 3.7.2 Selbsttest Optimizer Praxis
- 3.8.1 Hyperparameter
- 3.8.1 Selbsttest Hyperparameter
- 3.8.2 Praxis Hyperparameter
- 3.8.2 Selbsttest Praxis - Hyperparameter
- 3.8.3 Hyperparameter - Tiefe des Netzes
- 3.8.3 Selbsttest Hyperparameter - Tiefe des Netzes
- Beschreibung der Übung
- Weitere Übungsmöglichkeiten
- Lesematerial
- Exkurs: Neuronales Netz von Scratch mit Python - Teil 1
- Exkurs: Neuronales Netz from Scratch mit Python - Teil 2
Woche 4
- Willkommen in Woche 4
- Wochenüberblick Woche 4
- 4.1.1 Wie optimiert man Hyperparameter?
- 4.1.1 Selbsttest Wie optimiert man Hyperparameter?
- 4.1.2 Wie optimiert man Hyperparameter? (Praxis)
- 4.1.2 Selbsttest Wie optimiert man Hyperparameter (Praxis)
- 4.2 Wie trainiert man mit wenig Bildern?
- 4.2 Selbsttest Wie trainiert man mit wenig Bildern?
- 4.3.1 Wie funktioniert Dropout?
- 4.3.1 Selbsttest Wie funktioniert Dropout?
- 4.3.2 Wie funktioniert Dropout? (Praxis)
- 4.3.2 Selbsttest Wie funktioniert Dropout? (Praxis)
- 4.4.1 Wie funktioniert Batch Normalization?
- 4.4.1 Selbsttest Wie funktioniert Batch Normalization?
- 4.4.2 Wie funktioniert Batch Normalization? (Praxis)
- 4.4.2 Selbsttest Wie funktioniert Batch Normalization? (Praxis)
- 4.5.1 Was ist Data Augmentation?
- 4.5.1 Selbsttest Was ist Data Augmentation?
- 4.5.2 Was ist Data Augmentation? (Praxis)
- 4.5.2 Selbsttest Was ist Data Augmentation? (Praxis)
- 4.5.3 Zusammenfassung Regularisierungstechniken
- 4.5.3 Zusammenfassung Regularisierungstechniken
- 4.6 Was ist Transfer Learning?
- 4.6 Selbsttest Was ist Transfer Learning?
- 4.7.1 Transfer Learning Implementierung
- 4.7.1 Selbsttest Transfer Learning Implementierung
- Exkurs - Exception, Aufbau eines aktuellen CNNs
- 4.7.2 Transfer Learning Implementierung (Praxis)
- 4.7.2 Selbsttest Transfer Learning Implementierung (Praxis)
- 4.8 Automated Machine Learning
- 4.8 Selbsttest Automated Transfer Learning
- 4.9 Aktuelle Computer Vision Probleme und Anwendungen
- Erinnerung an die Übung zu Woche 3 und 4
- Lesematerial
Abschlussprüfung und Exkurse
- Abschlussprüfung
- Exkurs: Long Short Term Memory
- Exkurs: Generative Adversarial Networks Teil 1
- Exkurs: Generative Adversarial Networks Teil 2
- Exkurs: Generative Adversarial Networks Teil 3
- Exkurs: Generative Adversarial Networks Teil 4
- Exkurs GAN - WGAN, WGAN-GP und Style-GAN
- Lösungen der Übungen
- Exkurs GAN - Code zum Exkurs
I like, I wish
- I like, I wish - was ist das?
- Umfrage zum Kursabschluss