Kapitel 1: Vorstellung des Kurses und Setup
- Einleitung in den Kurs
- Vorwort zu der Installation
- Informationen zu der Software
- Windows: Anaconda Installation
- Linux: Anaconda Installation
- Mac: Installation von Anaconda
- Handbuch des Kurses
- Kursmaterialien
- Einrichtung von Anaconda und der Pakete
- Optional: Einrichtung der GPU Software für TensorFlow
- Installation und Einrichtung von VS Code
- Die ersten Schritte mit VS Code
Kapitel 2: Grundlagen in Python Programmierung
- Vorbereitung für die Python Programmierung
- Variablen und Rechenoperationen
- Abfragen und Logik
- Listen
- For- und While Schleife
- Enumerate und zip Funktion
- Variablen, Logik und Schleifen
- Dictionaries
- Funktionen
- Listen, Dictionaries und Funktionen
- Eigene Module
- Numpy
- Matplotlib
- Module
- e-Funktion plotten
- Musterlösung: e-Funktion plotten
- List Comprehensions und Mehrdimensionale Listen
- Listen: Index und Slices
- Weiteres zu Numpy
- Klassen
- Type Annotations
- f-Strings
- Wichtig: Installation vom Utils Modul
Kapitel 3 - 1: Machine Learning Intuition
- Was ist das Machine Learning?
- Supervised und Unsupervised Machine Learning
- Intuition: Regression und Klassifikation
- Vorwort zu dem fiktiven Datensatz
- Intuition: Regression im Code
- Intuition: Klassifikation im Code
- Im Detail: Supervised Learning
- Intuition: Training und Testing
Kapitel 3 - 2: Machine Learning Anwenden
- Supervised Learning: Lineare Regression
- Supervised Learning: Lineare Regression Programmieren
- Fehlerfunktionen Programmieren
- Musterlösung: Fehlerfunktionen Programmieren
- Lineare Regression
- Zusatzinformationen zum Machine Learning
Kapitel 4 - 1: Perzeptron
- Was sind Neuronale Netzwerke
- Was sind Neuronale Netzwerke
- Was ist das Perzeptron
- Intuition: Was ist das Perzeptron
- Das Perzeptron Programmieren - Teil 1
- Das Perzeptron Programmieren - Teil 2
- Perzeptron Zusammenfassung
- Das Perzeptron Programmieren
- Musterlösung: Das Perzeptron Programmieren
- Eigenschaften des Perzeptron
Kapitel 4 - 2: Neuronale Netzwerke
- Aktivierungsfunktionen
- Das Bias Neuron
- Aktivierungsfunktion und Bias Neuron
- Wie lernt das Neuronale Netzwerk - Teil 1
- Intuition: Gradient Descent - Teil 1
- Vorwort: Die Rosenbrock Funktion
- Intuition: Gradient Descent - Teil 2
- Wie lernt das Neuronale Netzwerk - Teil 2
- Intuition: Gradient Descent mit TensorFlow
- Wie lernt das Neuronale Netzwerk
- Zusatzinformationen zum Training
Kapitel 4 - 3: Daten, Probleme und Ziele
- Klassifikation: Softmax und Cross-Entropy
- Intuition: One-Hot-Vector im Code
- Intuition: Softmax im Code
- Intuition: Cross-Entropy im Code
- Intuition: Cross Entropy und Softmax
- Dataset Eigenschaften
- Under- und Overfitting
- Under- und Overfitting bei der Klassifikation
- Overfitting und Dataset-Eigenschaften
- Zusatzinformationen zu Neuronalen Netzwerken
Kapitel 5 - 1: XOR Dataset Klassifikation
- Vorstellung des XOR Datasets
- XOR Klassifikation Teil 1
- XOR Klassifikation Teil 2
- XOR Klassifikation Teil 3
- XOR Klassifikation Zusammenfassung
- TensorFlow Einführung
Kapitel 5 - 2: Boston Dataset Regression
- Vorstellung des Boston Datasets
- Boston Regression - Visualisierung
- Was ist Keras?
- Boston Regression in Keras Teil 1
- Boston Regression- Zusammenfassung Teil 1
