Deep Learning Odyssey

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

Sie werden ein grundlegendes Verständnis der primären Komponenten von TensorFlow - Tensors - erlangen. Sie werden sich mit der Natur und den Anwendungen von Tensors befassen, sich mit den Eigenschaften von Tensors vertraut machen und Kenntnisse in wesentlichen mathematischen Operationen erwerben.

Sie lernen, wie TensorFlow funktioniert und wie Sie seine Leistung verbessern können. Am Ende dieses Moduls sind Sie gut gerüstet, um grundlegende neuronale Netzwerke oder andere Tensorberechnungen zu implementieren, indem Sie nur die TensorFlow-Bibliothek ohne Extras verwenden.

Erkunden Sie die Grundlagen von PyTorch mit Schwerpunkt auf Tensors – der zentralen Datenstruktur für Berechnungen. Behandelt werden die Erstellung von Tensors, zufällige Initialisierung, mathematische Operationen und die Manipulation von Formen.

Erkunden Sie zentrale Konzepte für das Trainieren von Modellen in PyTorch, einschließlich der Berechnung von Gradienten und der Durchführung von mehrstufiger Backpropagation. Beherrschen Sie die lineare Regression als grundlegendes Modell des maschinellen Lernens und lernen Sie die effiziente Handhabung von Datensätzen kennen.

Erfahren Sie, wie neuronale Netzwerke mit PyTorch erstellt, trainiert und bewertet werden. Sie lernen, wie ein einfaches Feedforward-Neuronales Netzwerk definiert, seine Parameter durch Training optimiert und seine Leistung bewertet wird.

Computer Vision ermöglicht es Maschinen, visuelle Daten zu interpretieren und zu analysieren, indem sie die menschliche Wahrnehmung nachahmen. Dieser Abschnitt behandelt die Grundlagen der Bilddarstellung, Farbmodelle und mathematischen Grundlagen, die für das Verständnis der Bildverarbeitung durch Computer wesentlich sind. Es werden praxisnahe Anwendungen vorgestellt, von autonomen Fahrzeugen bis hin zur medizinischen Bildgebung, sowie die Integration von Computer Vision mit KI und maschinellem Lernen erläutert.

OpenCV ist eine leistungsstarke Bibliothek für Bildmanipulation und Aufgaben der Computer Vision. Dieser Abschnitt behandelt grundlegende Techniken wie Bildfilterung, Transformationen, Kantenerkennung und Segmentierung. Sie lernen, wie man Weichzeichnung, Schwellenwertbildung, Konturenerkennung und Merkmalsextraktion durchführt, um Bilder effizient zu verbessern und zu analysieren.

CNNs verarbeiten visuelle Daten mithilfe von Faltungs-, Pooling- und Aktivierungsschichten, um Merkmale für Aufgaben wie Bildklassifikation und Objekterkennung zu extrahieren. Zentrale Komponenten sind Padding, Faltung zur Merkmalsextraktion, Pooling zur Komplexitätsreduktion und Aktivierung für Nichtlinearität. Bekannte Architekturen wie AlexNet, VGG und ResNet treiben KI in Bereichen wie Gesundheitswesen, Autonomie und Sicherheit an.

Objekterkennung ist eine grundlegende Aufgabe im Bereich Computer Vision, bei der Objekte innerhalb eines Bildes identifiziert und lokalisiert werden. Im Gegensatz zur Bildklassifikation, die einem gesamten Bild ein einzelnes Label zuweist, klassifiziert die Objekterkennung nicht nur Objekte, sondern bestimmt auch deren Positionen mithilfe von Begrenzungsrahmen. Dieser Abschnitt behandelt zentrale Techniken und Algorithmen der Objekterkennung, von traditionellen Methoden bis hin zu Deep-Learning-basierten Ansätzen wie YOLO und U-Net.

Die Computer Vision hat sich im Laufe der Jahre erheblich weiterentwickelt und ist von grundlegenden Bildverarbeitungsmethoden zu komplexen Deep-Learning-Techniken übergegangen. Dieser Abschnitt befasst sich mit den neuesten Innovationen im Bereich Computer Vision und konzentriert sich auf Transfer Learning, Gesichtserkennung und Bildgenerierung. Es werden die Vorteile vortrainierter Modelle für die Leistung, die Prinzipien der Gesichtserkennungstechnologie und die Bildgenerierung durch KI mittels Deep Learning untersucht.

Behandelt die Einschränkungen traditioneller neuronaler Netze bei sequenziellen Daten und führt in die Grundlagen von Rekurrenten Neuronalen Netzen ein. Erklärt die RNN-Architektur, Typen sowie die schrittweise Implementierung anhand grundlegender Beispiele und einer Programmieraufgabe.

Untersucht häufige Trainingsherausforderungen wie verschwindende und explodierende Gradienten. Stellt fortgeschrittene RNN-Varianten wie LSTM und GRU vor, hebt deren interne Mechanismen und Anwendungsfälle hervor und bietet praktische Implementierungsbeispiele für jede Variante.

Konzentriert sich auf die Verarbeitung und Prognose von Zeitreihendaten mithilfe von RNN-basierten Modellen. Beinhaltet das Laden von Daten, Vorverarbeitungstechniken, Modelltraining und Leistungsevaluierung, mit Schwerpunkt auf dem Vergleich von LSTM- und GRU-Architekturen.

Demonstriert die Anwendung von RNNs auf Aufgaben der Textklassifikation. Behandelt zentrale NLP-Konzepte, Methoden der Textkodierung, Schritte der Datenvorbereitung sowie den Aufbau eines LSTM-basierten Modells zur Sentimentvorhersage.