Deep Learning Neuronale Netze mit TensorFlow 20 und Keras

Programmiere mehrere (10+) Neuronale Netze mit Tensorflow 2, Keras und Python! Erforsche Machine Learning in der Praxis!
Deep Learning Neuronale Netze mit TensorFlow 20 und Keras
File Size :
14.59 GB
Total length :
26h 29m

Category

Instructor

Saif Al-Dilaimi

Language

Last update

Zuletzt aktualisiert am 3/2022

Ratings

4.1/5

Deep Learning Neuronale Netze mit TensorFlow 20 und Keras

What you’ll learn

Entwickle ein Neuronales Netz das Preise vorhersagen kann
Entwickle ein Neuronales Netz das Alter und Geschlecht in Echtzeit (in Videos) vorhersagen kann
Entwickle ein Neuronales Netz das Aktienkurse vorhersagen kann
Entwickle ein Neuronales Netz das Hunde und Katzen vorhersagen kann
Entwickle ein Neuronales Netz das Ziffern vorhersagen kann
Entwickle ein Neuronales Netz das die Stimmung in Texte vorhersagen kann
Entwickle ein Neuronales Netz für Object Detection
Entwickle ein Neuronales Netz für Image Segmentation
Praktische Anwendung von Deep Learning Projekte im Berufsleben!
Das Komplexe Thema Deep Learning (Supervised Learning) verstehen
Von A-Z das beliebte Deep Learning Framework Keras mit TensorFlow lernen
Lerne wie du die Genauigkeit von Neuronale Netze erhöhen kannst
Lerne wie du Keras Modelle untersuchen und optimieren kannst
Lerne TensorBoard kennen
Lerne State-of-the-art Netzwerke kennen (R-CNN & Mask R-CNN)

Deep Learning Neuronale Netze mit TensorFlow 20 und Keras

Requirements

Lust etwas neues zu lernen 🙂

Description

Das sagen Teilnehmer über diesen Kurs:”Sehr aktiver Dozent der sich um die Kursteilnehmer und den Kurs kümmert. Der Tensorflow Kurs hat viele beispiele was mir geholfen hat Tensorflow und Keras besser zu verstehen. Ebenfalls sehr gut waren auch die Begriff erklärungen die einem sehr helfen ML als beginner zu lernen.”  – Ibrahim Akkulak”Ich würde den Kurs auf jeden Fall weiter empfehlen. Mehr Content als gedacht und sehr viele Erklärungen. Top!”  – Erik Andrè Thürsam”Der Kurs gefällt mir ganz gut und bringt viele Beispiele ein. Der Saif beantwortet Fragen super schnell und ist sehr hilfsbereit. Empfehle den Kurs sehr für alle die Deep Learning mit vielen Praxisbeispielen lernen möchten.”  – Simon BehrensDeep Learning ist eines der angesagtesten Themen weit und breit. Insbesondere wird Deep Learning und Künstliche Neuronale Netze in vielen Technologien in deinem Umfeld eingesetzt, um dir ein noch angenehmeres Leben zu ermöglichen. Mithilfe diesen Praxis-Kurs bringe ich dir bei wie man Deep Learning mithilfe von Keras, Tensorflow und Python einsetzt. Du wirst eine gute Mischung von Theorie und Praxis in diesen Kurs erhalten. Viele der Techniken werden anhand von echten Praxis Projekte dir vermittelt. Warum solltest du Keras lernen? Keras wird von den “Big Five” Unternehmen wie Apple, Google, Facebook, Amazon und Microsoft in vielen ihrer Produkte eingesetzt, um Machine Learning noch effizienter zu nutzen! Ebenfalls werde ich ihn auch immer auf dem neusten Stand der Technik und Wissenschaft halten.  Lerne wie du Keras meisterst und schreibe dich JETZT ein!

Overview

Section 1: Einleitung

Lecture 1 Über mich

Lecture 2 Dieser Kurs zusammengefasst

Lecture 3 Bedienung von Udemy

Lecture 4 Anleitungen zu den Kursmaterialien

Lecture 5 Kursmaterialien

Lecture 6 Wie bewerte ich diesen Kurs?

Section 2: Einführung & Installation

Lecture 7 Einführung Python und VS Code

Lecture 8 [Windows] Installation Python und Anaconda

Lecture 9 [MacOS] Installation Python Anaconda

Lecture 10 Einführung Tensorflow, Keras und andere Module

Lecture 11 Tensorflow CPU oder GPU?

Lecture 12 [Windows] Installation Tensorflow [CPU]

Lecture 13 [Windows] Installation Tensorflow [GPU]

Lecture 14 [Windows] Installation Keras

Lecture 15 [Windows] Installation von VS Code

Lecture 16 [Mac] Installation Tensorflow

Lecture 17 [Mac] Installation von Python module

Lecture 18 [Mac] Installation von Keras

Lecture 19 [Mac] Installation VS Code

Section 3: Python Grundlagen

Lecture 20 Vorwort

Lecture 21 Variablen und Rechenoperationen

Lecture 22 Abfragen und Logik

Lecture 23 Listen

Lecture 24 For- und While Schleife

Lecture 25 Listen Iteration, Enumerate und zip Funktion

Lecture 26 Dictionaries

Lecture 27 Funktionen

Lecture 28 Module

Lecture 29 Numpy

Lecture 30 Plotting

Lecture 31 List Comprehensions und Mehrdimensionale Listen

Lecture 32 Listen: Index und Slices

Lecture 33 Weiteres zu Numpy

Lecture 34 Klassen

Section 4: Grundlagen von Machine Learning

Lecture 35 Einführung in Machine Learning

Lecture 36 Neuronale Netzwerke

Lecture 37 Aktivierungsfunktionen

Lecture 38 Error (loss) Funktionen

Lecture 39 Wie lernt ein Neuronales Netzwerk

Lecture 40 Regression

Lecture 41 Klassifikation

Lecture 42 Modell performance erkennen

Section 5: Intuition Supervised Learning

Lecture 43 Was ist Regression?

Lecture 44 Regression im Code – Daten erzeugen

Lecture 45 Regression im Code – Modell definieren

Lecture 46 Regression im Code – Modell evaluieren

Lecture 47 Klassifikation

Lecture 48 Klassifikation im Code – Daten erzeugen

Lecture 49 Klassifikation im Code – Modell evaluieren

Section 6: Die Theorie hinter Keras Layers

Lecture 50 Aufbau eines Keras Models

Lecture 51 Der Fully Connected Layer (Dense)

Lecture 52 Der Activation Layer

Lecture 53 Der Dropout Layer

Lecture 54 Der BatchNormalization Layer

Lecture 55 Convolution Layer

Lecture 56 Pooling Layer

Lecture 57 Die Optimizer in Keras

Section 7: Basics – Regression: Benzinverbrauch vorhersagen

Lecture 58 Einführung Keras Modeling Process

Lecture 59 Dataset vorstellen

Lecture 60 Imports vorbereiten

Lecture 61 Dataset laden und säubern

Lecture 62 Dataset aufteilen

Lecture 63 Daten normalisieren

Lecture 64 Modell definieren

Lecture 65 Modell trainieren

Lecture 66 Modell evaluieren

Section 8: Basics – Klassifikation: Auto nach Herkunft klassifizieren

Lecture 67 Imports vorbereiten

Lecture 68 Dataset laden und aufteilen

Lecture 69 Modell definieren und trainieren

Lecture 70 Modell evaluieren

Section 9: Convolutional Neural Networks

Lecture 71 Revisited: Theorie von CNN

Lecture 72 Dataset Klasse (1) – Imports definieren und Vorlage vorbereiten

Lecture 73 Dataset Klasse (2) – Daten erzeugen und aufteilen

Lecture 74 Dataset Klasse (3) – Daten verarbeiten

Lecture 75 Dataset Klasse (4) – Letzte Vorbereitungen

Lecture 76 Model (1) – Imports erläutern

Lecture 77 Model (2) – Funktionen definieren

Lecture 78 Model (2) – Layer definieren

Lecture 79 Model (3) – Kompilieren

Lecture 80 Model (4) – Training und Evaluation

Section 10: Hello World: MNIST Dataset anwenden

Lecture 81 Einführung des Datasets

Lecture 82 Datenset Klasse anpassen

Lecture 83 Model Imports vorbereiten

Lecture 84 Layer definieren

Lecture 85 Training und Evaluation

Lecture 86 Evaluation: Confusion Matrix

Lecture 87 Evaluation: Bilder am Model testen

Section 11: Ein klassisches Klassifizierungsproblem: Katze oder Hund

Lecture 88 Einführung des Datasets

Lecture 89 Ordnerstruktur vorstellen

Lecture 90 Dataset Klasse (1) – Klasse anpassen

Lecture 91 Dataset Klasse (2) – Bilder einlesen

Lecture 92 Model (1) – Imports erläutern

Lecture 93 Model (2) – Layer definieren

Lecture 94 Model (3) – Kompilieren und Trainieren

Lecture 95 Model (4) – Loss und Accuracy untersuchen

Lecture 96 Vorwort: Data Augmentation

Lecture 97 Data Augmentation

Lecture 98 Evaluation: Bilder und Data Augmentation

Lecture 99 Vorhersagen testen

Section 12: Optimierung von Neuronale Netze

Lecture 100 Evaluations-Tool: Tensorboard

Lecture 101 Integration von Tensorboard

Lecture 102 Optimierung: Normalisierung vs. Non-Normalisierung

Lecture 103 Overfitting: Vorteile von Data Augmentation

Lecture 104 Overfitting: Features/Netzwerk vergrößern

Lecture 105 Overfitting: Dropout

Lecture 106 Overfitting: Batch Normalization

Lecture 107 CNN: GlobalAveragePooling anstatt Fully Connected

Lecture 108 Einführung in Callbacks

Lecture 109 ModelCheckpoint: Gewichte abspeichern

Lecture 110 EarlyStopping: Training frühzeitig abbrechen

Lecture 111 ReduceLRonPlateu: Lernrate anpassen, genauigkeit erhöhen.

Lecture 112 Modelle abspeichern und wieder laden

Section 13: Weitere Deep Learning Techniken

Lecture 113 Funktionale API

Lecture 114 Beispiel Graph-Netzwerke

Lecture 115 Einführung Residual Connection

Lecture 116 Beispiel zu Residual Connections

Section 14: CIFAR10 – 90% erreichen mit Optimierung

Lecture 117 Einführung des Datasets

Lecture 118 Dataset Klasse (1) – Klasse anpassen

Lecture 119 Dataset Klasse (2) – Normalisierung in TF auslagern

Lecture 120 Dataset Klasse (3) – Data Augmentation in TF auslagern

Lecture 121 Model (1) – Imports erläutern

Lecture 122 Model (2) – Layer definieren

Lecture 123 Model (3) – Callbacks anpassen und trainieren

Lecture 124 Model (4) – Loss und Accuracy untersuchen

Lecture 125 Model (5) – Z-Score Normalisierung

Lecture 126 Model (6) – Dropout anwenden

Lecture 127 Model (7) – Genauigkeit verbessern mit LearningRateScheduler

Section 15: Funktionale API fortgeschritten: Weinpreis vorhersagen

Lecture 128 Einleitung zum Vorgehen und Dataset

Lecture 129 Netzwerk skizzieren

Lecture 130 Imports und Funktionen vorbereiten

Lecture 131 Statische Variablen definieren

Lecture 132 Wein Dataset untersuchen und aufteilen

Lecture 133 Erstellen eines Multi-Input Modell (Netz 1)

Lecture 134 Erstellen eines Textverarbeitungsmodell (Netz 2)

Lecture 135 Zwei Neuronale Netze zu einem verknüpfen

Lecture 136 Erstellen einer eigenen Metric

Lecture 137 Trainieren eines Multi-Input Modells

Lecture 138 Netzwerk loss und preis prediction evaluieren

Lecture 139 Erzeugen von Weinpreis vorhersagen

Section 16: IMDB Bewertungen unterscheiden mithilfe eines Rekurrentes neuronales Netz

Lecture 140 Was ist ein Recurrent Neural Network?

Lecture 141 Einleitung Dataset

Lecture 142 Imports vorbereiten

Lecture 143 Daten laden

Lecture 144 Layers definieren

Lecture 145 Modell trainieren

Lecture 146 Modell vorhersagen testen

Section 17: Aktienkurs vorhersagen mithilfe von Recurrent Neural Network

Lecture 147 Einleitung Dataset

Lecture 148 Imports vorbereiten

Lecture 149 Daten laden

Lecture 150 Modell definieren und trainieren

Lecture 151 Modell vorhersagen testen

Section 18: Google Colab – Gesichtsausdrücke (Mimik) erkennen in Bildern

Lecture 152 Dataset vorstellung

Lecture 153 Vorstellung Google Colab

Lecture 154 Imports und Struktur vorbereiten

Lecture 155 Daten vorbereiten

Lecture 156 Model definieren und trainieren

Lecture 157 Model evaluieren und vorhersagen testen

Section 19: R-CNN – Bilder und Objekte pixelweise klassifizieren

Lecture 158 Einführung in Object Detection und Image Segmentation

Lecture 159 Einführung in Mask R-CNN

Lecture 160 Vorbereitung

Lecture 161 Modell vorstellung

Lecture 162 COCO Dataset untersuchen

Lecture 163 Modell vorhersagen testen

Section 20: Neural Style Transfer – Lass ein Neuronales Netz zeichnen

Lecture 164 Einleitung und vorbereitung (1)

Lecture 165 Einleitung und vorbereitung (2)

Lecture 166 Content-Image und Style-Image

Lecture 167 Das VGG19-Netzwerk für Feature-Extraktion definieren

Lecture 168 Modell definieren

Lecture 169 Stil eines Bilds berechnen (Gram-Matrix)

Lecture 170 StyleContentModel Klasse erstellen

Lecture 171 Style- und Content-Loss definieren

Lecture 172 Style Transfer anwenden

Lecture 173 Artefakte (Noise) reduzieren mit Total Variaten Loss

Lecture 174 Optimierung wiederholen und Fazit

Section 21: Modell Zoo – Trainierte Neuronale Netze vorstellen

Lecture 175 YOLO Model – Objekte in Echtzeit erkennen

Lecture 176 Geschlecht und Alter vorhersagen in Echtzeit Teil 1

Lecture 177 Geschlecht und Alter vorhersagen in Echtzeit Teil 2

Softwareentwickler, Data Scientists und Machine Learning Experten,Alle die Keras und die Welt von Deep Learning erkunden möchten,Studenten der Informatik, Bioinformatik, IT-Sicherheit, Mathematik etc.,Python Entwickler

Course Information:

Udemy | Deutsch | 26h 29m | 14.59 GB
Created by: Saif Al-Dilaimi

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

New Courses

Scroll to Top