Einleitung
  • Einleitung
  • Download der Kursmaterialien
  • Installation unserer Python-Umgebung
  • Was tun wenn: Jupyter startet nicht
  • Begriffsklärung (optional): Machine Learning, Neuronale Netze, Deep Learning, AI
Crashkurs: Unsere Python-Umgebung
  • Crashkurs Jupyter
  • Crashkurs Python
  • Crashkurs Numpy
Ein einzelnes Neuron
  • Ein einzelnes Neuron (Intuition)
  • Ein einzelnes Neuron (in Python)
  • Ein einzelnes Neuron mit Bias (Intuition)
  • Ein einzelnes Neuron mit Bias (in Python)
  • Aufgabe: Verbrauch von Autos vorhersagen
  • Musterlösung: Verbrauch von Autos vorhersagen
  • Aktivierungsfunktion (Intuition)
  • Aktivierungsfunktion (in Python)
  • Optionaler Exkurs: Warum lassen sich Neuronen nicht "hintereinanderschalten"?
Neuronales Netz
  • Wie ist ein Neuronales Netz aufgebaut?
  • Wie werden die Gewichte aktualisiert? - Teil 1
  • Wie werden die Gewichte aktualisiert? - Teil 2
  • Das Gradientenabstiegsverfahren
  • Stochastic Gradient Descent
  • So lernt das Netz: Backpropagation - Teil 1
  • So lernt das Netz: Backpropagation - Teil 2
Neuronales Netz (zur Regression)
  • Vorstellung: Keras und Tensorflow
  • Installation von Keras & Tensorflow
  • Unser Projekt
  • Unsere Daten
  • Hinweis: Keras
  • Unser erstes Neuronales Netz
  • Wir machen eine erste Vorhersage!
  • Genauigkeit berechnen (manuell)
  • Genauigkeit berechnen (mit Keras)
  • Neuronales Netz validieren: Das train/test-Verfahren
  • Neuronales Netz validieren: Das train/test-Verfahren (mit Keras)
Ein Neuronales Netz mit mehreren Ausgängen
  • Ein Neuronales Netz mit mehreren Ausgängen (Intuition)
  • Wie beurteilen wir die Genauigkeit vom Netz?
  • Wir generieren eine Confusion-Matrix
  • Wahrscheinlichkeiten vorhersagen: Der Softmax (Intuition)
  • Wahrscheinlichkeiten vorhersagen: Der Softmax (Keras)
  • Aktivierungsfunktionen (Intuition)
  • Aktivierungsfunktionen (mit Keras)
  • Wie werden die Gewichte optimiert? Optimizer! (Intuition)
  • Wie werden die Gewichte optimiert? Optimizer! (in Keras)
  • Wie komplex darf überhaupt unser Netz sein?
Bilderkennung mit Neuronalen Netzen (Convolutional Neural Networks)
  • Motivation: CNN
  • Exkurs: Wie ist überhaupt ein Bild aufgebaut?
  • Wie ist ein Convolutional-Neural-Network aufgebaut?
  • CNN mit Keras (inkl. Aufgabe)
  • CNN: Lösungstipps
  • CNN: Musterlösung
  • CNN: Wie werden die Gewichte aktualisiert?
  • CNN: Wir schauen uns ein CNN genauer an: Aktiverungen visualisieren
  • Grundlage für komplexere CNNs: Wie funktioniert ein MaxPooling-Layer?
  • Max-Pooling (in Python)
  • Visualisierung eines CNNs
  • Wir erhöhen unsere Genauigkeit: Dropout (Intuition)
  • Wir erhöhen unsere Genauigkeit: Dropout (in Keras)
Komplexe Netze - GPU in der Amazon-Cloud
  • WICHTIG: Kostenlose GPU möglich?
  • Einführung: GPU in der Cloud
  • [Mac only]: Vorbereitung für die nächsten paar Lektionen
  • Vorbereitung für die Cloud: Exkurs PowerShell / Linux-Shell - Teil 1
  • Vorbereitung für die Cloud: Exkurs PowerShell / Linux-Shell - Teil 2
  • Vorstellung EC2: Welche Instanz-Typen kommen für uns in Frage?
  • [Windows only]: SSH-Keygen not found
  • Hinweis: Instanz in der Amazon-Cloud anmieten
  • Wir mieten einen Computer in der Amazon-Cloud an
  • Jupyter in der Amazon-Cloud
  • Kursmaterialien in die Cloud übertragen
  • Was tun bei: ModuleNotFoundError in Jupyter auf der EC2-Instanz?
  • Tipp: Prozessorauslastung & GPU-Auslastung der EC2-Instanz überwachen
  • Wichtig: EC2-Instanz stoppen!
  • Wichtig: Kosten sparen
Kostenlose GPU in der Google-Cloud
  • Einführung: Kostenlose GPU in der Google-Cloud
  • Wie verwendest du die kostenlose GPU in der Google-Cloud?
Projekt: Wir erkennen Autos auf einem Bild - Teil 1
  • Vorstellung: Die Cifar-Daten
  • Wir trainieren ein Netz auf den Cifar-Daten (Teil 1)
  • Wir trainieren ein Netz auf den Cifar-Daten (Teil 2)
  • Wir trainieren ein Netz auf den Cifar-Daten (Teil 3)
  • Wir trainieren ein Netz auf den Cifar-Daten (Teil 4)
  • Zusätzliche Daten generieren - Teil 1
  • Zusätzliche Daten generieren - Teil 2 (optional)
  • Hinweis zur nächsten Lektion
  • Wir trainieren das Modell mit den zusätzlichen Daten
  • Training finalisieren, Modell abspeichern
Projekt: Wir erkennen Autos auf einem Bild - Teil 2
  • Vorstellung Projekt: Bilderkennung Autos
  • Grundlagen Bilder verarbeiten: Pillow - Teil 1
  • Grundlagen Bilder verarbeiten: Pillow - Teil 2
  • Grundlagen Bilder verarbeiten: Pillow, wir zeichnen in ein Bild - Teil 3