Der grobe Deep Learning Kurs mit Keras und TensorFlow 2
What you’ll learn
Verstehen, wie Neuronale Netze funktionieren
Baue dein eigenes Neuronales Netzwerk mit Python auf
Benutze TensorFlow 2 für Klassifizierungs- und Regressionsaufgaben
TensorFlow 2 für die Bildklassifikation mit faltenden neuronalen Netzen (eng. Convolutional Neural Networks) verwenden
Wie man TensorFlow 2 für die Zeitreihenanalyse mit wiederkehrenden neuronalen Netzen (eng. Recurrent Neural Networks) verwendet
Verwende TensorFlow 2 und Autoencoder zur Lösung von Machine Learning Problemen
Reinforcement Learning (verstärkendes Lernen) mit OpenAI Gym
Erstellen von Erzeugenden Generischen Netzwerken (eng. Generative Adversarial-Networks) mit TensorFlow 2
Werde ein Deep Learning Experte!
Nutze die Keras-API, um schnell Modelle zu erstellen, die auf Tensorflow 2 ausgeführt werden
Requirements
Grundlagen der Programmierung in Python
Grundkenntnisse in Mathematik (Mittelwert, Standardabweichung, etc.)
Motivation für das Lernen einer komplexen Materie
Description
Dieser Grundlagenkurs führt dich durch den Einsatz des Keras und TensorFlow 2-Frameworks von Google, um künstliche neuronale Netzwerke für Deep Learning zu erstellen. Ziel dieses Kurses ist es, dir einen leicht verständlichen Leitfaden zur Komplexität des TensorFlow-Frameworks zu geben. Andere Kurse und Tutorials tendieren dazu, sich von reinem TensorFlow fernzuhalten und stattdessen Abstraktionen zu verwenden, die dem Teilnehmer wenig tatsächliches Handwerkszeug mit auf den Weg geben. In unserem Kurs hingegen bieten wir dir eine vollständige Anleitung zur bestimmungsgemäßen Verwendung des TensorFlow-Frameworks und zeigen dir die neuesten Techniken des Deep Learning.Wichtig: Unser Deep-Learning-Kurs erfordert Grundkenntnisse der Programmierung mit Python! Falls du die Grundlagen von Python bisher noch nicht erlernt hast, solltest du zuerst einen unserer Python-Kurse durcharbeiten! “War ein toller Kurs und konnte mir durch diesen Kurs ein Verständnis über Neuronale Netzwerke verschaffen! Der Kurs ist sehr gut aufgebaut und strukturiert. Zunächst wird die Theorie erklärt, darauf folgt ein Bespiel und schließlich eine Übungsaufgabe… Besonders toll finde ich, dass auch die Folien entahlten sind!” (★★★★★ S. Tatzreiter)Dieser Kurs besteht aus zwei Teilen, das heisst du bekommst 2 Kurse für 1.———————————–Teil 1: Keras und Tensorflow 2———————————–Wir konzentrieren uns darauf, die neuesten Updates für TensorFlow 2 zu zeigen und mit der Keras-API (der offiziellen API von TensorFlow 2.0) schnell und einfach Modelle zu erstellen. Dabei behandeln wir unter anderem Modelle zur Vorhersage zukünftiger Immobilienpreise, zur Klassifikation medizinischer Bilder, zur Vorhersage zukünftiger Verkaufsdaten, zur Generierung von natürlicher Sprache und vieles mehr!Keras, ein benutzerfreundlicher API-Standard für maschinelles Lernen, verwenden wir als zentrale API auf der obersten Ebene zum Erstellen und Trainieren von Modellen. Die Keras-API erleichtert den Einstieg in TensorFlow 2. Wichtig ist, dass Keras mehrere modellbildende APIs (sequentiell, funktional und Unterklassen) bereitstellt, damit ein Modell gemäß des Anwendungsfalls gewählt werden kann. Dabei stehen Komponenten für intuitives Debugging und zum Erstellen skalierbarer Eingabe-Pipelines bereit.Dieser Teil des Kurses deckt eine Vielzahl von Themen ab, darunterNumPy CrashkursPandas Datenanalyse CrashkursDaten Visualisierungs CrashkursGrundlagen der Neuronalen NetzeTensorFlow 2 GrundlagenKeras GrundlagenKünstliche Neuronale Netzwerke (engl. Artificial Neural Networks)Dicht verbundene Netzwerke (eng. Densely Connected Networks)Faltungsneuronale Netze (eng. Convolutional Neural Networks)Wiederkehrende Neuronale Netzwerke (eng. Recurrent Neural Networks)AutoEncodersGANs – Generative Adversarial NetworksAusrollen von TensorFlow 2 in die Produktionund vieles mehr!—————————————–Teil 2: TensorFlow 1 (mit Details)—————————————–Dieser Teil des Kurses hilft dir die Hintergründe in TensorFlow zu verstehen. Der 1. Teil des Kurses hat dir gezeigt wie du schnell und einfach mit Keras Analysen durchführen kannst. Wenn es dich interessiert, was sich hinter der Abstraktion des Keras-Frameworks verbirgt und wie TensorFlow im Detail funktioniert, dann ist dieser Teil genau richtig für dich.Dieser Teil des Kurses deckt eine Vielzahl von Themen ab, darunterGrundlagen des Neuronalen NetzesTensorFlow GrundlagenKünstliche Neuronale NetzwerkeDicht verbundene Netzwerke (eng. Densely Connected Networks)Faltungsneuronale Netze (eng. Convolutional Neural Networks)Wiederkehrende Neuronale Netzwerke (eng. Recurrent Neural Networks)AutoEncoderReinforcement LearningOpenAI Gymund vieles mehr!—————————————–Es gibt viele Deep Learning Frameworks, warum also TensorFlow?TensorFlow ist eine Open-Source-Softwarebibliothek zur numerischen Berechnung mit Datenflussgraphen. Knoten in einem Graphen stellen mathematische Operationen dar, während die Graphenkanten die zwischen ihnen kommunizierten multidimensionalen Datenarrays (Tensoren) darstellen. Die flexible Architektur ermöglicht die Bereitstellung von Berechnungen auf einer oder mehreren CPUs oder GPUs in einem Desktop, Server oder mobilen Gerät mit einer einzigen API. TensorFlow wurde ursprünglich von Forschern und Ingenieuren entwickelt, die im Google Brain Team innerhalb der Machine Intelligence Forschungsorganisation von Google arbeiten, um maschinelles Lernen und Forschung an tiefen neuronalen Netzen durchzuführen, aber das System ist allgemein leistungsfähig und wird auch in einer Vielzahl anderer Bereiche eingesetzt.Es wird von großen Unternehmen auf der ganzen Welt genutzt, darunter Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, SAP, Qualcomm, IBM, Intel und natürlich Google!Du erhältst lebenslangen Zugang zu allen Lektionen und den dazugehörigen Notebooks!
Zusätzlich bietet dir dieser Kurs eine 30-tägige Geld-zurück-Garantie. Wenn du in irgendeiner Weise nicht zufrieden sein solltest, erhältst du dein Geld zurück. Und du darfst alle Notebooks als Dankeschön für das Ausprobieren dieses Kurses behalten!Werde noch heute ein Deep Learning Experte! Wir sehen uns im Kurs!
Overview
Section 1: Einleitung
Lecture 1 Willkommen im Kurs
Lecture 2 Hinweise zum Kurs
Lecture 3 Kursübersicht
Lecture 4 FAQ – Frequently Asked Questions
Lecture 5 Kursmaterialien
Lecture 6 Merkblätter
Section 2: Installation und Setup
Lecture 7 Einrichten der Entwicklungsumgebung
Lecture 8 Python und Anaconda Installation
Lecture 9 Jupyter Notebooks
Lecture 10 Wichtig Kurseinrichtung! Python Pakete mit Jupyter Notebook installieren
Section 3: —————- TEIL 1: Tensorflow 2 und Keras ——————-
Lecture 11 HINWEIS: TEIL 1 – Tensorflow 2 und Keras
Section 4: Crashkurs Übersicht
Lecture 12 Crashkurs Einführung
Section 5: Crashkurs NumPy
Lecture 13 NumPy Crashkurs Einführung
Lecture 14 NumPy Crashkurs Array 1
Lecture 15 NumPy Crashkurs Array 2
Lecture 16 NumPy Crashkurs Indizierung
Lecture 17 NumPy Crashklurs Operationen
Lecture 18 NumPy Crashkurs Übungen
Lecture 19 NumPy Crashkurs Lösungen
Section 6: Crashkurs Pandas
Lecture 20 Pandas Crashkurs Einführung
Lecture 21 Pandas – Series
Lecture 22 Pandas – Dataframes Teil 1
Lecture 23 Pandas – Dataframes Teil 2
Lecture 24 Pandas – fehlende Werte
Lecture 25 Pandas – Gruppierungsmethoden
Lecture 26 Pandas – Operationen
Lecture 27 Pandas – Daten In- und Output
Lecture 28 Pandas – Übungen
Lecture 29 Pandas – Lösungen
Section 7: Crashkurs Datenvisualisierung
Lecture 30 Datenvisualisierung Crashkurs Einführung
Lecture 31 Datenvisualisierung – Matplotlib
Lecture 32 Datenvisualisierung – Seaborn Teil 1
Lecture 33 Datenvisualisierung – Seaborn Teil 2
Lecture 34 Datenvisualisierung – Übungen
Lecture 35 Datenvisualisierung – Lösungen
Section 8: Crashkurs Machine Learning
Lecture 36 Machine Learning – Einführung
Lecture 37 Machine Learning – Supervised Learning
Lecture 38 Machine Learning – Over- und Underfitting
Lecture 39 Machine Learning – Evaluierungsmethode Klassifizierung
Lecture 40 Machine Learning – Evaluierungsmethode Regression
Lecture 41 Machine Learning – Unsupervised Learning
Section 9: ANNs – Einführung in Neuronale Netze (artifical neuronal networks)
Lecture 42 ANNs – Neuronale Netze verstehen – eine Einführung
Lecture 43 ANNs – Was ist ein Perzeptron?
Lecture 44 ANNs mit Perzeptronen
Lecture 45 ANNs – Aktivierungsfunktionen
Lecture 46 ANNs – Aktivierungsfunktionen für mehrklassige neuronale Netze
Lecture 47 ANNs – Kostenfunktion
Lecture 48 ANNs – Backpropagation
Lecture 49 ANNs mit Tensorflow und Keras
Lecture 50 Unabhängige Normalisierung
Lecture 51 ANNs – Keras Syntax Teil 1
Lecture 52 ANNs – Keras Syntax Teil 2
Lecture 53 ANNs – Keras Syntax Teil 3
Lecture 54 ANNs – Keras Regressionen Teil 1
Lecture 55 ANNs – Keras Regressionen Teil 2
Lecture 56 ANNs – Keras Regressionen Teil 3
Lecture 57 ANNs – Keras Regressionen Teil 4
Lecture 58 ANNs – Keras Klassifikationen Teil 1
Lecture 59 ANNs – Keras Klassifikationen Teil 2
Lecture 60 ANNs – Keras Klassifikationen Teil 3
Section 10: ANNs – Keras Projekt
Lecture 61 Keras Projekt – Einführung
Lecture 62 Download Datensatz
Lecture 63 Keras Projekt – Aufgabe
Lecture 64 Keras Projekt – Lösung Teil 1
Lecture 65 Keras Projekt – Lösung Teil 2
Lecture 66 Keras Projekt – Lösung Teil 3
Lecture 67 Keras Projekt – Lösung Teil 4
Lecture 68 Keras Projekt – Lösung Teil 5
Lecture 69 Keras Projekt – Lösung Teil 6
Lecture 70 Keras Projekt – Lösung Teil 7
Lecture 71 Keras Projekt – Lösung Teil 8
Lecture 72 Keras Projekt – Lösung Teil 9
Section 11: CNNs – Faltungsneuronale Netzwerke (convolutional neuronal networks)
Lecture 73 CNNs – Image Filter
Lecture 74 CNNs – Convolutional Layer
Lecture 75 CNNs – Pooling Layer
Lecture 76 CNNs – MNIST Einführung
Lecture 77 CNNs – MNIST Daten
Lecture 78 CNNs – MNIST Modell und Training
Lecture 79 CNNs – MNIST Evaluierung
Lecture 80 CNNs – CIFAR-10 Daten
Lecture 81 CNNs – CIFAR-10 Modell und Training
Lecture 82 CNNs – CIFAR-10 Evaluierung
Section 12: CNNs – Projekt
Lecture 83 CNNs – Eigene Dateien verarbeiten Teil 1 – Download
Lecture 84 CNNs – Eigene Dateien verarbeiten Teil 2 – Daten
Lecture 85 CNNs – Eigene Dateien verarbeiten Teil 3 Data Generator
Lecture 86 CNNs – Eigene Dateien verarbeiten Teil 4 – Modell und Training
Lecture 87 CNNs – Eigene Dateien verarbeiten Teil 5 – Evaluierung
Lecture 88 CNNs – Übungen
Lecture 89 CNNs – Lösungen
Section 13: Keras Tensorboard
Lecture 90 Tensorboard Teil 1
Lecture 91 Tensorboard Teil 2
Section 14: RNNs – rückgekoppelte neuronale Netze (recurrent neural networks)
Lecture 92 RNNs – Einführung
Lecture 93 RNNs – Theoretische Grundlagen
Lecture 94 RNNs – Gradienten
Lecture 95 RNNs – LSTM und GRU Theorie
Lecture 96 RNNs – Grundlagen zu Sequenz Batches
Lecture 97 RNNs – Grundlagen zur Sinuskurve
Lecture 98 RNNs – Batch Generator
Lecture 99 RNNs – Modell und Evaluierung
Lecture 100 RNNs – LSTM
Lecture 101 RNNs mit Zeitreihen – Teil 1 Daten
Lecture 102 RNNs mit Zeitreihen – Teil 2 Modell
Lecture 103 RNNs mit Zeitreihen – Teil 3 Vorhersage
Lecture 104 RNNs mit Zeitreihen – Übung
Lecture 105 RNNs mit Zeitreihen – Lösung Teil 1
Lecture 106 RNNs mit Zeitreihen – Lösung Teil 2
Lecture 107 RNNs – BONUSMATERIAL- Multivariate Zeitreihen
Section 15: NLP mit Deep Learning
Lecture 108 NLP mit Deep Learning – Einführung
Lecture 109 Textgenerierung mit Python und Keras – Teil 1 Daten
Lecture 110 Textgenerierung mit Python und Keras – Teil 2 Textverarbeitung
Lecture 111 Textgenerierung mit Python und Keras – Teil 3 Batches
Lecture 112 Textgenerierung mit Python und Keras – Teil 4 Modell
Lecture 113 Textgenerierung mit Python und Keras – Teil 5 Training
Lecture 114 Textgenerierung mit Python und Keras – Teil 6 Text generieren
Section 16: Autoencoder
Lecture 115 Autoencoder – Einführung
Lecture 116 Autoencoder – Grundlagen
Lecture 117 Autoencoder – Dimensionsreduktion Teil 1
Lecture 118 Autoencoder – Dimensionsreduktion Teil 2
Lecture 119 Autoencoder – Bilddaten Teil 1
Lecture 120 Autoencoder – Bilddaten Teil 2
Lecture 121 Autoencoder – Bilddaten Teil 3
Lecture 122 Autoencoder – Übungen
Lecture 123 Autoencoder – Lösungen
Section 17: GANs – Erzeugende gegnerische Netzwerke
Lecture 124 GANs – Einführung
Lecture 125 GANs – Die Daten
Lecture 126 GANs – Generator und Diskriminator
Lecture 127 GANs – Datenvorbereitung und Batches
Lecture 128 GANs – Training
Lecture 129 GANs – Bild generieren
Lecture 130 DCGANs – Deep Convolutional GANs
Section 18: Deployment
Lecture 131 Deployment – Einführung
Lecture 132 Deployment – Ein Modell erstellen
Lecture 133 Deployment – Vorhersagefunktion
Lecture 134 Deployment – Basic Flask App
Lecture 135 Deployment – API erstellen
Lecture 136 Deployment – API Anfrage mit Python
Lecture 137 Deployment – Modell mit Front-End HTML verbinden
Lecture 138 Deployment – Anwendung im Web bereitstellen
Section 19: —————- TEIL 2: Tensorflow 1 (mit Details) —————-
Lecture 139 HINWEIS: TEIL 2 – Tensorflow 1
Section 20: Was ist Machine Learning?
Lecture 140 Übersicht Machine Learning
Lecture 141 Machine Learning Übersicht
Section 21: Crashkurs Übersicht
Lecture 142 Crashkurs Python
Lecture 143 Crashkurs Abschnitt Einleitung
Lecture 144 NumPy Crashkurs
Lecture 145 Pandas Crashkurs
Lecture 146 Crashkurs Daten Visualisierung
Lecture 147 SciKit Learn Preprocessing Übersicht
Lecture 148 Crashkurs Wiederholung Übung
Lecture 149 Crashkurs Wiederholung Übung Lösungen
Section 22: Einführung in Neuronale Netze
Lecture 150 Einführung in Neuronale Netze
Lecture 151 Hinweis zu den Variablen der folgenden Lektionen:
Lecture 152 Einführung in Neuronale Netze
Lecture 153 Einführung Perceptron
Lecture 154 Neuronales Netzwerk Aktivierungsfunktionen
Lecture 155 Kostenfunktion
Lecture 156 Gradientenabstieg Rückpropagation (eng. Gradient Descent Backpropagation)
Lecture 157 TensorFlow Playground
Lecture 158 Manuelle Erstellung von Neuronalen Netzen – Teil 1
Lecture 159 Manuelle Erstellung von Neuronalen Netzen – Teil 2 – Operationen
Lecture 160 Manuelle Erstellung von Neuronalen Netzen – Teil 3 – Platzhalter und Variablen
Lecture 161 Manuelle Erstellung von Neuronalen Netzen – Teil 4 – Session
Lecture 162 Manuelle Klassifikationsaufgabe für Neuronale Netzwerke
Lecture 163 Manuelle Erstellung von Neuronalen Netzen – Teil 6 – Perzeptron
Section 23: TensorFlow Grundlagen
Lecture 164 TensorFlow API
Lecture 165 Einleitung TensorFlow
Lecture 166 TensorFlow Basis-Syntax
Lecture 167 TensorFlow Graphen
Lecture 168 Variablen und Platzhalter
Lecture 169 TensorFlow – Ein Neuronales Netzwerk – Teil 1
Lecture 170 TensorFlow – Ein Neuronales Netzwerk – Teil 2
Lecture 171 TensorFlow – Ein Neuronales Netzwerk – Teil 3
Lecture 172 TensorFlow Regression Beispiel – Teil 1
Lecture 173 TensorFlow Regression Beispiel – Teil 2
Lecture 174 TensorFlow Regression Beispiel – Teil 3
Lecture 175 TensorFlow Klassifikation Beispiel – Teil 1
Lecture 176 TensorFlow Klassifikation Beispiel – Teil 2
Lecture 177 TensorFlow Regression Übung
Lecture 178 TensorFlow Regression Übung
Lecture 179 TensorFlow Klassifikation Übung
Lecture 180 TensorFlow Klassifikation Übung – Lösung
Lecture 181 Speichern und Wiederherstellen von Modellen
Section 24: Faltungsneuronale Netze (eng. Convolutional Neural Networks)
Lecture 182 Faltungsneuronale Netze (eng. Convolutional Neural Networks)
Lecture 183 Einführung in die Sektion Faltungsneuronales Netzwerk
Lecture 184 Wiederholung Neuronales Netzwerk
Lecture 185 Neue Theorie-Themen
Lecture 186 MNIST Daten Übersicht
Lecture 187 MNIST Grundansatz Teil 1
Lecture 188 MNIST Grundansatz Teil 2
Lecture 189 CNN Theorie Teil 1
Lecture 190 CNN Theorie Teil 2
Lecture 191 CNN Theorie Teil 3
Lecture 192 CNN MNIST Coding Lektion Teil 1
Lecture 193 CNN MNIST Coding Lektion Teil 2
Lecture 194 CNN MNIST Coding Lektion Teil 3
Lecture 195 Einführung in das CNN-Projekt
Lecture 196 CNN Projekt Aufgabe – Lösung Teil 1
Lecture 197 CNN Projekt Aufgabe – Lösung Teil 2
Section 25: Wiederkehrende Neuronale Netze (eng. Recurrent Neural Networks, RNN)
Lecture 198 Recurrent Neuronal Networks
Lecture 199 Einführung in den RNN Abschnitt
Lecture 200 RNN Theorie
Lecture 201 Manuelle Erstellung von RNN
Lecture 202 Verschwindende Gradienten
Lecture 203 LSTM und GRU Theorie
Lecture 204 Einführung in RNN mit TensorFlow API
Lecture 205 RNN mit TensorFlow – Teil 1
Lecture 206 RNN mit TensorFlow – Teil 2
Lecture 207 RNN mit TensorFlow – Teil 3
Lecture 208 RNN mit TensorFlow – Teil 4
Lecture 209 Übersicht Zeitreihen Aufgabe
Lecture 210 Zeitreihen Aufgabe – Lösungen
Lecture 211 Zeitreihen Aufgabe – Lösungen – Teil 2
Lecture 212 Kurzer Hinweis zu Word2Vec
Lecture 213 Word2Vec Theorie
Lecture 214 Word2Vec Coding Lektion – Teil 1
Lecture 215 Word2Vec Coding Lektion – Teil 2
Section 26: API Abstraktionen
Lecture 216 API Abstraktionen
Lecture 217 Deep Nets mit Tensorflow Abstraktionen API – Teil 1
Lecture 218 Deep Nets with Tensorflow Abstractions API – Estimator API
Lecture 219 Deep Nets mit Tensorflow Abstraktionen API – Keras
Lecture 220 Deep Nets mit Tensorflow Abstraktionen API – Layers
Section 27: TensorBoard
Lecture 221 TensorBoard
Lecture 222 Tensorboard Graphen
Lecture 223 Tensorboard Histogramme
Section 28: AutoEncoder
Lecture 224 AutonEcoder
Lecture 225 Autoencoder Grundlagen
Lecture 226 Dimensionsreduktion mit Linear Autoencoder – Teil 1
Lecture 227 Dimensionsreduktion mit Linear Autoencoder – Teil 2
Lecture 228 Linear Autoencoder PCA Aufgabe
Lecture 229 Linear Autoencoder PCA Aufgabe – Lösung
Lecture 230 Stacked Autoencoder Teil 1
Lecture 231 Stacked Autoencoder Teil 2
Section 29: Reinforcement Learning mit OpenAI Gym
Lecture 232 Reinforcement Learning
Lecture 233 Einführung in das Reinforcement Learning mit OpenAI Gym
Lecture 234 Zusätzliche Ressourcen für das Reinforcement Learning
Lecture 235 Einführung in OpenAI Gym
Lecture 236 OpenAI Gym Setup
Lecture 237 Open AI Gym Umgebung Grundwissen
Lecture 238 Open AI Gym Observationen
Lecture 239 OpenAI Gym Aktionen
Lecture 240 Einfaches Neuronales Netzwerk Spiel – Teil 1
Lecture 241 Einfaches Neuronales Netzwerk Spiel – Teil 2
Lecture 242 Policy Gradients
Lecture 243 Policy Gradients Implementierung – Teil 1
Lecture 244 Policy Gradients Implementierung – Teil 2
Section 30: GAN – Generative Adversarial Networks
Lecture 245 GAN
Lecture 246 Einführung in GAN
Lecture 247 GAN Coding Lektion – Teil 1
Lecture 248 GAN Coding Lektion – Teil 2
Lecture 249 GAN Coding Lektion – Teil 3
Section 31: BONUS
Lecture 250 Vielen Dank
Lecture 251 Bonus Lektion
Lecture 252 Wir freuen uns über Bewertungen 🙂 Danke!
Python Programmierer , die die neuesten Deep-Learning-Techniken mit TensorFlow 2 erlernen wollen.,Data Scientisten, die die neuesten Deep-Learning-Techniken mit TensorFlow 2 erlernen wollen.
Course Information:
Udemy | Deutsch | 38h 16m | 15.61 GB
Created by: Prof. Dr. René Brunner
You Can See More Courses in the Business >> Greetings from CourseDown.com