Udemy

Platform

Deutsch

Language

Data Science

Category

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!

4.71 (2137 reviews)

Students

25.5 hours

Content

Feb 2021

Last Update
Regular Price

SKILLSHARE
SkillShare
Unlimited access to 30 000 Premium SkillShare courses
30-DAY FREE TRIAL

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


Screenshots

Deep Learning, Neuronale Netze & AI: Der Komplettkurs
Deep Learning, Neuronale Netze & AI: Der Komplettkurs
Deep Learning, Neuronale Netze & AI: Der Komplettkurs
Deep Learning, Neuronale Netze & AI: Der Komplettkurs

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


Reviews

M
Maximilian7 October 2020

Teilweise hätte ich mir noch etwas stärkeren Einblick in praktische Anwendungsbeispiele gewünscht. Wie man denn Modelle für seine Anwendung am besten und sinnvollsten aufbaut wurde meiner Meinung nach etwas kurz gehalten. Wenn es darum geht Modelle für Neuronale Netze zu entwerfen, fühle ich mich noch nicht sicher und verwende noch viel try and error. Etwas mehr Beispiele zu den Recurrent Neuronal Networks hätten mir noch gut getan. Grüße, Max

P
Peter26 September 2020

Ich habe diesen Kurs aus zwei Gründen belegt. Zum einen kannte ich den Dozenten aus einem anderen Kurs und fand Ihn da schon toll und zum anderen habe ich privat ein Projekt mit dem Raspberry Pi vor. Ich möchte gerne Verkehrsschilder (im speziellen Geschwindigkeitsschilder) erkennen. Da diese Thematik für mich ziemlich neu ist brauchte ich einen Kurs, der auf Deutsch ist (nicht das ich kein Englisch könnte, aber wenn man etwas völlig neues lernen möchte, macht sich das in der Muttersprache besser :-) ) Ich muss sagen dieser Dozent hat echt Talent die Thematiken anschaulich und mit viel Geschick zu erklären (das es dann manchmal doch nicht reichte liegt eher an mir selbst, da es teilweise zu mathematisch wurde und da bei mir dann das Gehirn zu macht :-) ) ... um es kurz zu machen ... Toller Kurs und sehr guter Dozent. Weiter so.

B
Benjamin13 September 2020

So eine Einleitung braucht jeder. Ich kannte die bisherigen Schritte, aber es ist wichtig, dass man weiß, was genau als Konfiguration vorausgesetzt wird.

S
Stefano27 August 2020

Ich habe nun die Kurse Python Bootcamp, Machine Learning und Deep Learning von Jannis Seeman besucht. Alle Kurse sind wirklich sehr anschaulich und vermitteln eine sehr gute Basis um sich selbst weiter zu informieren. Wirklich Top!!

S
Sven29 July 2020

Der Kurs, insbesondere die ausführliche Erklärung der Funktionsweise der unterschiedlichen GAN-Modelle, war genau das, was ich erwartet habe und hat mir sehr gut gefallen. Besonders hervorheben möchte ich noch, dass der Kurs über einen langen Zeitraum aktuell gehalten wird, sodass man hier auch immer die aktuellste Ansteuerung von Tensorflow erlernt.

A
Angelika29 December 2019

Super genau erklärt und mir bringt der Kurs sehr viel! Ich finde auch die Erklärungen für die Installationen sehr gut.

F
Frank18 November 2019

Ja, der Kurs ist gut aufgebaut und das Wissen wurde gut vermittelt. Praxisbeispiele waren sehr gut aufgebaut, ehrlich und konnte nachvollzogen werden.

M
Marc29 October 2019

- Fantasitische Weise an dieses Thema heranzugehen - klare und verständliche Motivation und Präsentierung des Codes - sehr gut ist, dass Fehler auch mal aktiv während des Vortragens gesucht, erklärt und verbessert werden - es ist zwar sehr schwierig, aber ein kleines bisschen mehr Aufgaben wären interessant gewesen (aber es waren schon einige sehr gute vorhanden!!!)

M
Mike14 October 2019

Habe schon andere TF Kurse vorher belegt aber dieser ist didaktisch super aufgebaut und erklärt das Grobe als auch das Feine sehr verständlich

A
Arthur14 October 2019

Exzellenter Kurs, jedes Themengebiet wird sehr verständlich und langsam eingeführt, gleichzeitig lässt sich auch gut "vorspulen", falls bestimmte Grundlagen bereits existieren, die Kursmaterialien bieten eine perfekte Grundlage zum Austoben und Ausprobieren, Benutzung eines GPU-Servers wurde gut erklärt, sodass das Austoben auch wirklich klappt ohne lange zu warten, rundum der perfekte Kurs, um in viele gängige Disziplinen von AI und Deep Learning einzusteigen, dabei auch eine angenehme Lern- und Motivations-Kurve zu haben

M
Marco2 September 2019

Der Kurs brachte mir das Thema neuronale Netze von 0 an bei und erreichte wirklich sehr gute Ergebnisse damit! Absolut empfehlenswert.

W
Wolfgang30 August 2019

Ein super Kurs! Alles wird gut erklärt, die Beispiele sind passend ausgewählt und machen Spaß - ich lerne auf jeden Fall eine Menge!

S
Sugeelan30 August 2019

Die Kursinhalten wurden der Vollständigkeit halber mit Theorie-Blöcke ergänzt, was mir sehr gut gefiel. Das ist nun schon mein dritter Kurs. Ich bereue nichts. Danke Jannis und sein Team.

R
Robert29 August 2019

Ich bin sehr zufrieden. EIne Sach allerdings fehlt mir etwas in all deinen Videos. Mehr auf den mathematischen Hintergrund eingehen, um im Detail verstehen zu können warum man was wann wie macht und um die Aussagekraft des Ergebnisses besser interpretieren zu können.

M
Milan26 August 2019

Leider ist das Tempo sehr langsam. Bei Coursera sind die Deep Learning Kurse von Laurence Moroney wesentlich weniger zeitaufwendig und intensiver, weil komprimierter.


1745078

Udemy ID

6/12/2018

Course created date

11/1/2019

Course Indexed date
Bot
Course Submitted by