Deep Learning Generative Neural Networks in Python 2022

Kreiere Neuronale Netze, die Bilder erschaffen können, welche täuschend echt aussehen. Mit TensorFlow 2 und Keras.
Deep Learning Generative Neural Networks in Python 2022
File Size :
2.74 GB
Total length :
6h 26m

Category

Instructor

Jan Schaffranek

Language

Last update

Zuletzt aktualisiert am 11/2022

Ratings

4.2/5

Deep Learning Generative Neural Networks in Python 2022

What you’ll learn

Verwende die neuste TensorFlow 2 Version
Verstehe und verwende Generative Deep Learning Techniken
Entwickle eine eigene künstliche Intelligenz mit Generativen Neuronalen Netzwerke
Entwickle eine AI, die täuschend echte Bilder erzeugen kann
Führe einen Angriff auf trainierte Neuronale Netzwerke aus
Entwickle Modelle, die realitätsnahe Daten generieren können

Deep Learning Generative Neural Networks in Python 2022

Requirements

Python Grundlagen
Mathematik Grundlagen aus dem Abitur

Description

Hinweis: Der Kurs wurde im 2022 erneuert und ist mit allen  TensorFlow 2 Versionen kompatibel.Bewertungen von Kursteilnehmern:”Sehr schön erklärt. Selbst als Mathematiker lerne ich nocheiniges dazu, super!” (Peter Klausmann)”GAN’s sind wirklich ein spannendes Thema im Deep Learning.Und diese werden hier auch noch super erklärt ;)” (Markus Preez)”In dem Kurs wird viel gezeigt ohne groß um die Themen herumzureden.Es wird alles sehr gut erklärt und Schritt für Schritt programmiert.” (Karl Marwe)Kursbeschreibung:Du wirst anhand des Kurses eigene Generative Neuronale Netzwerke erstellen können. Unter Anderem werden die Generative Adversarial Networks (GAN) vorgestellt.Diese können beispielsweise künstliche Gesichter von Menschen, Tiere oder hand-geschriebene Zahlen erzeugen. Das GAN ist eines der größten Erfindungen im Bereich der künstlichen Intelligenz der letzten Jahre und können für zahlreiche Problemstellungen angewendet werden.Des Weiteren werden auch andere “generative” Neuronale Netzwerke wie z.b. (Variational) Autoencoder vorgestellt.Dieser Kurs besteht aus folgenden Themengebieten:Kurze Einleitung in PythonGrundlagen des Machine und Deep Learnings  Eigene Deep Neural Networks implementieren  Verschiedene Adversarial Generative Networks implementieren (GAN)  Ein Angriff auf Neuronale Netzwerke mit Adversarial Attacks  Die Komprimierung von Daten mit Autoencodern (AE)  Das Erzeugen von Daten mit Variational Autoencoder (VAE)  Werde noch heute ein Profi, in der Technologie von Morgen!Wir sehen uns im Kurs!

Overview

Section 1: Kapitel 1: Einleitung des Kurses

Lecture 1 Einleitung in den Kurs

Lecture 2 Informationen zu der Software

Lecture 3 Windows: MSVC Compiler Installieren

Lecture 4 Windows: Installation von Anaconda

Lecture 5 Linux: Installation von Anaconda

Lecture 6 Mac: Installation von Anaconda

Lecture 7 Handbuch des Kurses

Lecture 8 Materialien des Kurses

Lecture 9 Die Einrichtung des Environments

Lecture 10 TensorFlow installieren

Lecture 11 Optional: Einrichtung der GPU Software für TensorFlow

Lecture 12 Visual Studio Code einrichten

Lecture 13 Visual Studio Code verwenden

Section 2: Kapitel 2 : Python Zusatzwissen

Lecture 14 Vorwort

Lecture 15 Main Funktion

Lecture 16 Numpy und Matplotlib Einführung

Lecture 17 Slices und Weiteres zu Numpy

Lecture 18 f-Strings und Type Annotations

Section 3: Kapitel 3: Deep Learning Grundlagen

Lecture 19 Machine Learning – Grundlagen

Lecture 20 Supervised Learning – Grundlagen

Lecture 21 Supervised Learning Intuition

Lecture 22 Was sind Neuronale Netzwerke

Lecture 23 Neuronale Netzwerke Intuition

Lecture 24 Wie lernt das Neuronale Netzwerk

Lecture 25 Der MNIST Datensatz

Lecture 26 Der Aufbau des Deep Neural Networks

Lecture 27 Deep Neural Network – Programmieren

Lecture 28 Optimierung des Netzwerks

Lecture 29 Was sind Convolutional Neural Networks

Lecture 30 Conv Neural Netwrok – Programmieren

Section 4: Kapitel 4: Generative Adversarial Networks – Theorie

Lecture 31 Generative vs. Discriminative Algorithmen

Lecture 32 Der Allgemeine GAN Aufbau

Lecture 33 GAN im Kontext der Spieltheorie

Lecture 34 Das Generator und Discriminator Netzwerk

Section 5: Kapitel 5-1: Generative Adversarial Networks (GAN)

Lecture 35 Aufbau des GAN

Lecture 36 Vorbereitung des GAN

Lecture 37 Das Generator Netzwerk (GAN)

Lecture 38 Das Discriminator Netzwerk (GAN)

Lecture 39 Initialisierung des GAN

Lecture 40 Zusatz: Input der Netzwerke und der Ablauf

Lecture 41 Fertigstellung des GAN

Lecture 42 Auswertung des GAN

Section 6: Kapitel 5-2: Deep Convolutional Generative Adversarial Network (DCGAN)

Lecture 43 Aufbau eines DCGAN

Lecture 44 Vorbereitung des DCGAN

Lecture 45 Das Discriminator Netzwerk (DCGAN)

Lecture 46 Zusatz: UpSampling

Lecture 47 Das Generator Netzwerk (DCGAN)

Lecture 48 Fertigstellung des DCGAN

Lecture 49 Auswertung des DCGAN vs. GAN

Lecture 50 Der CIFAR-10 Datensatz

Lecture 51 Musterlösung: CNN mit dem CIFAR10 Datensatz

Lecture 52 DCGAN mit dem CIFAR-10 Datensatz

Lecture 53 Auswertung des DCGAN mit dem CIFAR10 Datensatz

Section 7: Kapitel 5 – 3: Conditional Generative Adversarial Network (CGAN)

Lecture 54 Aufbau eines CGAN

Lecture 55 Vorbereitung des CGAN

Lecture 56 Das Generator Netzwerk (CGAN)

Lecture 57 Das Discriminator Netzwerk (CGAN)

Lecture 58 Fertigstellung des CGAN

Lecture 59 Auswertung des CGAN

Section 8: Kapitel 5 – 4: Weiteres zu GAN Modellen

Lecture 60 Zusatz: Wissenschaftliche Artikel zu GAN

Lecture 61 Zusatz: Was ist ein CycleGAN?

Section 9: Kapitel 6: Generative Adversarial Attacks

Lecture 62 Was sind Generative Adversarial Attacks

Lecture 63 Untargeted Angriff – Teil 1

Lecture 64 Untargeted Angriff – Teil 2

Lecture 65 Untargeted Angriff – Teil 3

Lecture 66 Targeted Angriff

Section 10: Kapitel 7-1: Autoencoder (AE)

Lecture 67 Was sind Autoencoder?

Lecture 68 Autoencoder Programmieren

Lecture 69 Deep Autoencoder Programmieren

Lecture 70 Convolutional Autoencoder Programmieren

Lecture 71 Autoencoder zum entfernen von Noise einsetzen

Section 11: Kapitel 7-2: Variational Autoencoder (VAE)

Lecture 72 Was sind Variational Autoencoder

Lecture 73 Variational Autoencoder Programmieren

Section 12: Kapitel 8: Abschluss des Kurses

Lecture 74 Schlussworte zum Kurs

Lecture 75 Bonuslektion

Studenten, Softwareentwickler und alle Interessierten

Course Information:

Udemy | Deutsch | 6h 26m | 2.74 GB
Created by: Jan Schaffranek

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top