Deep Learning, Neuronale Netze & AI: Der Komplettkurs

Der Komplettkurs mit Python, Keras und Tensorflow 2: Erkenne Bilder, sage den Bitcoin-Kurs vorher & schreibe eine AI!

4.76 (3043 reviews)
Udemy
platform
Deutsch
language
Data Science
category
instructor
26,805
students
25.5 hours
content
Mar 2024
last update
$59.99
regular price

What you will learn

Verwende Keras und Tensorflow, um Neuronale Netze zu erstellen

Entwickle eine Artificial Intelligence

Entdecke Neuronale Netze und AI komplett am Beispiel

Schreibe eine Bilderkennung, die Autos auf einem Bild markiert

Entwickle ein Modell, um den Preis von Bitcoin und Aktien vorherzusagen

Generiere Reden im Stil von Donald Trump

Description

Bewertungen von Kursteilnehmern:

  • "Der absolute Wahnsinn unter den Kursen!!! [...]" (★★★★★, Frank Meyer)

  • "Ich habe bereits schon mehrere Kurse in dieser Richtung absolviert und der gehört zu den Besten." (★★★★★, Mederitsch Patrick)

Kursbeschreibung:

Dieser Kurs macht dich fit auf deinem Weg zum Deep Learning- und AI-Spezialisten. Alle Themen werden anschaulich und am Beispiel erklärt - dadurch ist dieser Lehrgang besonders leicht verständlich.

Zudem beherrscht du nach Abschluss des Kurses problemlos Tools wie Jupyter, Keras, Tensorflow 2 umgehen - das ist wichtig, wenn du das Wissen später auf eigene Projekte anwenden möchtest.

Hier lernst du:

  • ... wie Neuronale Netze funktionieren

  • ... wie Neuronale Netze Objekte in Bildern erkennen können

  • ... wie mit Hilfe von Deep Learning Kunstwerke erstellt werden können

  • ... wie du eine Artificial Intelligence erstellen kannst

  • ... wie du das Wissen auf eigene Daten anwenden kannst

Dadurch hast du die Themen Deep Learning & AI komplett verstanden, und kannst sie auf deine Probleme anwenden.

Das besondere an diesem Kurs sind die umfangreichen Praxisbeispiele:

  • Bilderkennung (ist auf einem Bild ein Auto zu sehen?)

  • Objekterkennung (wo ist das Auto?)

  • Textgenerierung im Stil von Donald Trump mit Tensorflow.js

  • Entwickle eine Artificial Intelligence für ein Spiel (Flappy-Bird), die einen unglaublich hohen Highscore erreicht (10000+)

  • Beschleunige die Berechnung mit einer Grafikkarte aus der Amazon-Cloud

Praxis ist der Lernturbo!

Lerne verstärkt durch spannende, lebhafte Praxis!

Ein effektiver Lernprozess ist die optimale Kombination von Theorie und Praxis. Das Konzept hier in diesem Kurs sind möglichst viele Praxisprojekte - so bleiben selbst komplexe Themen anschaulich.

Dieser Einstieg soll dir mit Spaß und Spannung die Lust auf mehr bringen.

Content

Einleitung

Einleitung
Download der Kursmaterialien
Installation unserer Python-Umgebung
Was tun wenn: Jupyter startet nicht
Workaround: Tensorflow ist nicht mit Python 3.7 kompatibel
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
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
Grundlagen Bilder verarbeiten: Pillow & Numpy - Teil 4
Unser Neuronales Netz findet ein Auto - Teil 1
Unser Neuronales Netz findet ein Auto - Teil 2
Unser Neuronales Netz findet ein Auto - Lösungstipps
Wo genau befindet sich das Auto im Bild? - Teil 1
Wo genau befindet sich das Auto im Bild? - Teil 2
Bilderkennung weiter optimieren - Teil 1
Bilderkennung weiter optimieren - Teil 2
Blick über den Tellerrand: Vorstellung YOLO (Intuition)
YOLO in Python verwenden

Fertige Modelle verwenden: Model Zoo

Einführung: Wie funktioniert ein Model Zoo?
Vorstellung: ImageNet und VGG16 für die Bilderkennung
Wir verwenden das VGG16-Netz
Wir wenden VGG16 an!
Wie verwendest du andere Netze?

Projekt: Model Zoo (Hunde & Katzen voneinander unterscheiden)

Vorstellung Projekt
Download der Projektdateien
Bilder einlesen - Teil 1
Bilder einlesen - Teil 2
Aufgabe: Bilder einlesen
Aufgabe: Modell trainieren
Musterlösung: Modell trainieren
Transfer-Learning mit dem VGG16-Netz (Teil 1)
Transfer-Learning mit dem VGG16-Netz (Teil 2)
Transfer-Learning: So beschleunigen wir die Berechnung
Transfer-Learning: Bugfixes, Modell final trainieren
Aufgabe: Netz auf eigene Daten anwenden
Musterlösung: Netz auf eigene Daten anwenden

Autoencoder

Autoencoder (Intuition)
Autoencoder (in Keras)
Autoencoder: Daten komprimieren - Teil 1
Autoencoder: Daten komprimieren - Teil 2
Bildrauschen entfernen (mit Autoencodern)
Aufgabe: Autoencoder

Praxisprojekt künstlerische Bilder generieren: Der Image Style Transfer

Einführung: Image Style Transfer
Intuition: Image Style Transfer
Wie funktioniert der Image Style Transfer genau?
Warum können wir dafür eine Gram-Matrix verwenden?
Exkurs: Keras Backend (Teil 1)
Exkurs: Keras Backend (Teil 2)
Exkurs: Keras Backend (Teil 3)
Exkurs: Keras Backend (Teil 4)
Quellcode für Image Style Transfer anschauen
Wir erstellen ein Kunstwerk!

Recurrent Neural Networks

Einführung: Was sind RNNs?
Wie funktioniert die zeitliche Komponente bei RNNs?
RNN: Aufbau und Backpropagation
RNN: Das Problem mit dem Exploding / Diminishing Gradient
RNN + LSTM: Damit umgehen wir diese Probleme!

Praxisprojekt: Bitcoin-Kurs vorhersagen

Einführung Projekt: Bitcoin-Kurs vorhersagen
Einlesen der Daten - Teil 1
Einlesen der Daten - Teil 2
Daten für unser Netz (LSTM) vorbereiten - Teil 1
Daten für unser Netz (LSTM) vorbereiten - Teil 2
Modell (LSTM) bauen
Wir sagen den Bitcoin-Kurs vorher!
Datumsangaben auf Grafik korrigieren
Wie müssen wir unsere Ergebnisse interpretieren?
(Optional): Zusätzliche Spalte mit ins Modell einfließen lassen

Praxisprojekt: Text generieren (buchstabenweise)

Vorbereitung der Daten (Teil 1)
Vorbereitung der Daten (Teil 2)
Vorbereitung der Daten (Teil 3)
Wir trainieren die LSTM
Modell abspeichern: Keras & ModelCheckpoint
Modell / Daten aus der Cloud übertragen
Texte generieren - Teil 1
Texte generieren - Teil 2
Texte generieren - Teil 3
Mehrere LSTM-Layer hintereinander
Wie geht es weiter?

Wörter effizient kodieren: Word2Vec

Motivation: Warum brauchen wir Word2Vec überhaupt?
Exkurs: Die One-Hot-Encoding
Wie wurde Word2Vec generiert?
Wir wenden Word2Vec an! - Teil 1
Wir wenden Word2Vec an! - Teil 2

Praxisprojekt: Text generieren (wortweise)

Was erwartet dich in diesem Abschnitt?
Intuition: Wie funktioniert der Embedding-Layer?
Daten vorbereiten - Teil 1
Daten vorbereiten - Teil 2
Daten vorbereiten - Teil 3
Modell trainieren
Faust-Modell trainieren
Exkurs: Was bedeutet "\n"?
Aufgabe: Vorhersagen machen
Text generieren
Text generieren (im Stil von Faust!)

Vorbereitung für Trump-Generator: Crashkurs Webentwicklung

Worum geht es in diesem Exkurs?
Editor einrichten + Crashkurs HTML
Die wichtigsten HTML-Tags
Überschriften und Bilder
Links in HTML
Crashkurs CSS
Crashkurs CSS: Selektoren
Crashkurs CSS: Div und Span
Crashkurs CSS: Separate Datei für unseren CSS-Code
Crashkurs JavaScript: Basics
Crashkurs JavaScript: Listen
Crashkurs JavaScript: Funktionen und Callbacks
Crashkurs JavaScript: jQuery und Callbacks
Crashkurs JavaScript: Promises

Praxisprojekt: Donald Trump Speech Generator

Was erwartet dich in diesem Abschnitt?
Wichtiger Hinweis zum Projekt
Download des kompletten Projektes
Wie ist das Modell trainiert?
Modell nach Tensorflow.js umwandeln
Ein weiterer Hinweis zu diesem Projekt
Projekt anlegen
(Optional): Webseite designen - Teil 1
(Optional): Webseite designen - Teil 2
Tensorflow.js einbinden und laden
Modell einbinden
Entwicklungszeit verkürzen: Verkleinertes Modell generieren
Wir machen eine erste Vorhersage mit Tensorflow.js
Wir generieren ein erstes Wort mit Tensorflow.js
Text generieren
Zeichensetzung optimieren
Text durch Klick auf Button generieren
Memory-Leaks fixen
Ladezeit optimieren: Modell komprimieren
Wir optimieren den Start der Textgenerierung
Text Schritt für Schritt generieren lassen
Problem beheben: Modell korrekt generieren
Wie könnten wir das Projekt noch weiterentwickeln?

Bonus: Reguläre Ausdrücke

Intuition: Reguläre Ausdrücke
Reguläre Ausdrücke in Python (Teil 1)
Reguläre Ausdrücke in Python (Teil 2)
Reguläre Ausdrücke: Beispiel: E-Mails aus einem Text extrahieren
Aufgabe: Reguläre Ausdrücke
Musterlösung: Reguläre Ausdrücke

Flappy-Bird-Klon: Wie ist das Spiel aufgebaut?

Flappy-Bird-Klon starten
Aufbau des Spiels (Teil 1)
Aufbau des Spiels: Die Willkommens-Animation
Das Hauptspiel (Teil 1)
Das Hauptspiel (Teil 2)
Das Hauptspiel (Teil 3)
Das Hauptspiel (Teil 4)

Flappy-Bird-Klon: AI schreiben

Spiel vorbereiten
Wir klinken uns in das Spiel ein
Wie funktioniert Q-Learning?
Was ist die mathematische Idee hinter Q-Learning?
Q-Learning für unseren Flappy-Bird-Klon
Unser Agent führt Aktionen aus
Q-Learning weiter implementieren (Teil 1)
Q-Learning weiter implementieren (Teil 2)
Das Lernen beschleunigen: State komprimieren
Das Spiel beschleunigen
Das Spiel trainieren
Das Spiel ausführen
Vor-und Nachteile von unserem Ansatz
Der Beweis!

Schluss

Wie geht es weiter + Schluss

Screenshots

Deep Learning, Neuronale Netze & AI: Der Komplettkurs - Screenshot_01Deep Learning, Neuronale Netze & AI: Der Komplettkurs - Screenshot_02Deep Learning, Neuronale Netze & AI: Der Komplettkurs - Screenshot_03Deep Learning, Neuronale Netze & AI: Der Komplettkurs - Screenshot_04

Reviews

Gabriel
October 26, 2023
Inhaltlich einwandfrei, aber.... 1. Studierende ist falsch. Es ist einfach falsch. Und wenn ich den Begriff 50 mal hören muss, geht mir das gehörig auf den Senkel. Wenn ich zu Hause im Bett liege statt in der Vorlesung zu sitzen, bin ich ein Student, aber kein Studierender. Wenn ich in der Vorlesung sitze, bin ich beides. 2. Das Geduze geht gar nicht.
Christian
October 19, 2023
Top Kurs! Nach einer ganzen Menge an Kursen, die ich auf Udemy gekauft habe, kann ich mit Sicherheit sagen, dass dieser Dozent der angenehmste ist, den ich hier bisher gesehen habe. Ich finde, es macht viel aus, wie sich jemand verhält, um dieser Person regelmäßig und lange zuzuhören und dabei zu bleiben. Jeder der schon mal in der Schule war, weiß ziemlich genau, was ich meine. Des Weiteren finde ich den Aufbau des Kurses und die Kursmaterialien sehr gut. Da der Dozent nicht alle seiner Bugs herausgeschnitten hat, wird auch automatisch gezeigt, wo Fallstricke liegen können und wie damit umgegangen werden kann. Oder um den ganzen Text in eBay-Sprech abzukürzen: Alles super! Kann ich nur weiterempfehlen! Gerne wieder! Kleiner Tipp zum Schluss: Mittlerweile gibt es eine Menge Anbieter für Cloud-GPUs, die durchaus günstiger sind als Amazon. Am besten einfach mal im Netz suchen. Ich habe da beispielsweise drei Favoriten, zwischen denen ich gerne hin und her springe. Viel Spaß beim Lernen!
Eckhard
September 30, 2023
Der Kurs hat einen sehr guten Überblick über die verschiedenen Konzepte der AI gegeben. Mittlerweile wurden Änderungen an den Bibliotheken Keras oder Tensorflow vorgenommen, so dass einige Übungsbeispiele veraltet sind (z.B. quantization_dtype) und nicht geupdated wurden.
Ronald
August 16, 2023
Die Präsentation ist angenehm und man kann gut folgen. Die Praxisbeispiele sind - bisher - gut nachvollziehbar.
Hans-Georg
July 23, 2023
War gut geeignet. Lerntempo o.k. Mehr Begleitliteratur und weiterführende Literatur/-empfehlungen wären noch schön.
Bastian
June 26, 2023
Sehr umfangreich, angenehme Redestimme, viele praktische Beispiele. Viele Sonderelemente. Auch klasse: Erklärungen zum Setup und Cloud Lösungen. Die Schattenseite für mich als Lerntyp: Im Verlangen, möglichst einfach und intuitiv zu sein, und Fachwörter unbedingt zu vermeiden, sind die konzeptionellen Erklärungen oft schwammig und unpräzise. Man hat nicht das Gefühl, wirklich verstanden zu haben, was passiert, und bleibt mit einem gefühlten "Trust me Bro" zurück. Dies zeigt sich gerade bei mathematischeren Themen, wie gradient descent, vanishing gradient, die Interpretation von Word2vec ... auch die Herleitung der Neuronalen Netze ist ein wenig konfus. Es wird sehr richtig impliziert, dass ein einzelnes Neuron ohne Aktivierungsfunktion letzendlich ein lineare Regression ist, aber es wird nie so benannt und gesagt. Auch bei der Javascript Erklärung ganz am Ende: Anstatt lediglich zu sagen, was grob passiert, hätte man durchaus mal jedes Wort des Codes erklären können. Lösung: Extra optionale Kapitel, um diese Dinge zu erklären. Plus, Back Propagation, Gradient Descent: wirklich mal Step für Step für ein Mini Netz, durchrechnen, und zeigen, dass es funktioniert. Für konzeptionell einfachere Themen wie Docker kann ich Jannis 100% empfehlen. Von den Themen her ist in 2023 jeder NN Kurs ohne Transformer und Huggingface unvollständig. Aber ich denke, dass wird der Inhalt des nächsten Kurses sein, der kommt. Kurzum: super umfangreich, tolle Praxisbeispiele, für die Konzepte zusätzlich ein Buch kaufen oder ChatGPT löchern.
Marco
May 21, 2023
Super erklärt, die Einfachheit ist sehr verständlich und der Seminarleiter versteht sein Handwerk ganz genau.
Volker
April 19, 2023
Das ist ein ganz toller Kurs! Mir gefällt die Dauer der einzelnen Lektionen sehr gut, da man immer wieder unterbrechen kann.
Frank.Nickisch
March 31, 2023
sehr gute Beschreibung der einzelnen Schritte zum Erstellen eines neuronalen Netzes anhand von gut verständlichen Beispielen
Alexander
March 15, 2023
weil ich in der Welt der KI Fuß fassen möchte und den mathematischen Apparatus einigermaßen beherrsche.
Rainer
February 23, 2023
Der Kurs ist sehr gut, deckt viel ab und war für mich gut nachvollziehbar. Wenige Lücken, man könnte vielleicht noch tiefer in die theorie gehen, das kann man aber auch über andere Quellen machen.
Friedrich
February 13, 2023
Positiv: - Der Kurs ist informativ und übersichtlich strukturiert. - Praxisbeispiele mit realen Daten - Angenehmes Tempo des Dozenten - Großer Umfang - Wenig Grundlagen. Der Kurs beginnt nach einer kurzen Einführung (Abschnitt 1 und 2) direkt mit dem Hauptthema. Negativ: - Größter Kritikpunkt: Kaum Übungen, an denen das gelernte Wissen eigenständig geübt und vertieft werden kann. - Zum Teil wurden die Abschnitte zu oberflächlich behandelt. Mehrere Abschnitte hätten detaillierter behandelt werden können, indem beispielsweise der Fokus auf die Auswertung und Optimierung der NN gelegt worden wäre. Die Daten wurden u.a. nie in Test- und Validierungsdaten unterteilt. - Um einen Abschnitt selbst programmieren und das NN trainieren zu können, muss Rechenleistung gekauft werden. Alternativ können die entsprechenden Videos nur angesehen bzw. übersprungen werden.
Bernd
January 31, 2023
Super Kurs, nah am Code und sehr spannende und nachvollziehbare Beispiele. Ich habe viel gelernt und hatte sehr viel Spaß an dem Kurs. Ich kann den Kurs nur weiterempfehlen. Vielen Dank!
Ronny
January 19, 2023
Ich habe zwar keine Ahnung und kann dadurch die Qualität nicht wirklich beurteilen, aber: - es ist alles soweit schlüssig - die Beispiele funktionieren - ich bin schlauer geworden
Tommy
January 13, 2023
Für Anfänger im deutschsprachigen Raum, mit Sicherheit einer der am simpelsten nachzuvollziehenden Einsteiger-Kurse! Jetzt gehts weiter mit Python Training und etwas englischsprachigem KnowHow. Daumen hoch für Jannis !(y) Nachtrag: Für mehr praktische Python Ausbildung - Ich habe gerade den Kurs "Python Bootcamp: Vom Anfänger zum Profi, inkl. Data Science" angefangen. Dieser rundet das Bedürfnis nach praktischem Lernen nochmal ab. Ps.: Ich bin kein Bot und nicht gesponsert :'D Feiere einfach die Arbeit die in den der Öffentlichkeit zur verfügung gestellten Möglichkeiten steckt!

Coupons

DateDiscountStatus
11/1/202383% OFF
expired

Charts

Price

Deep Learning, Neuronale Netze & AI: Der Komplettkurs - Price chart

Rating

Deep Learning, Neuronale Netze & AI: Der Komplettkurs - Ratings chart

Enrollment distribution

Deep Learning, Neuronale Netze & AI: Der Komplettkurs - Distribution chart
1745078
udemy ID
6/12/2018
course created date
11/1/2019
course indexed date
Bot
course submited by