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
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