Kapitel 1: Vorstellung des Kurses und Setup
  • Einleitung in den Kurs
  • Was werden wir im Kurs lernen?
  • Vorwort zu der Installation
  • Installation: Python, Anaconda und TensorFlow
  • Windows: Anaconda Installation
  • Linux: Anaconda Installation
  • Mac: Installation von Anaconda
  • Einrichtung von Anaconda
  • Einrichtung von TensorFlow 2 (CPU)
  • Einrichtung von TensorFlow 2 (GPU)
  • Installation und Einrichtung von VS Code
  • Die ersten Schritte mit VS Code
  • Handbuch des Kurses
  • Kursmaterialien
Kapitel 2: Grundlagen in Python Programmierung
  • Vorbereitung für die Python Programmierung
  • Variablen und Rechenoperationen
  • Abfragen und Logik
  • Listen
  • For- und While Schleife
  • Listen Iteration, Enumerate und zip Funktion
  • Variablen, Logik und Schleifen
  • Dictionaries
  • Funktionen
  • Listen, Dictionaries und Funktionen
  • Eigene Module
  • Numpy
  • Matplotlib
  • Module
  • Vorwort zu den Programmierübungen
  • e-Funktion plotten
  • Musterlösung: e-Funktion plotten
  • List Comprehensions und Mehrdimensionale Listen
  • Listen: Index und Slices
  • Weiteres zu Numpy
  • Klassen
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
  • Informationen zum Perzeptron
  • Was ist das Perzeptron
  • Intuition: Was ist das Perzeptron
  • Das Perzeptron Programmieren - Teil 1
  • Das Perzeptron Programmieren - Teil 2
  • Das Perzeptron Programmieren - Teil 3
  • 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
  • Regression: Fehlerfunktion und Metrik
  • Dataset Eigenschaften
  • Under- und Overfitting
  • Under- und Overfitting bei der Klassifikation
  • Overfitting und Dataset-Eigenschaften
  • Zusatzinformationen zu Neuronalen Netzwerken
Kapitel 5 - 1 - 1: XOR Dataset Klassifikation
  • Vorstellung des XOR Datasets
  • XOR Klassifikation Teil 1 - Netzwerk Variablen
  • XOR Klassifikation Teil 2 - Netzwerk Aufbau (Forward Pass)
  • Intuition: XOR Klassifikation - Netzwerk Aufbau
  • XOR Klassifikation Teil 4 - Loss, Metric und Optimizer
  • XOR Klassifikation Teil 5 - Training und Testing
  • XOR Klassifikation Teil 6 - Hyperparameter
Kapitel 5 - 1 - 2: Boston Dataset Regression
  • Vorstellung des Boston Datasets
  • Boston Regression - Visualisierung