Bilder und Features

Inhalt

• Einführung Einführung

  • Willkommen zu dem Einführungskurs in Deep Learning

    49 Sek.
• 1. Kursinhalte, Begriffserläuterungen und Hintergründe zu Deep Learning 1. Kursinhalte, Begriffserläuterungen und Hintergründe zu Deep Learning

  • (Gesperrt)
    Benötigte Vorkenntnisse

    1 Min. 45 Sek.
  • (Gesperrt)
    Kursinhalte und Lernziele

    1 Min. 38 Sek.
  • Was ist Deep Learning? Ein Definitionsversuch

    4 Min. 42 Sek.
  • (Gesperrt)
    Who's who: Die berühmtesten Forscher im Deep Learning

    3 Min. 5 Sek.
  • (Gesperrt)
    Die wichtigsten und populärsten Deep Learning Libraries

    1 Min. 51 Sek.
• 2. Die Welt der Modelle 2. Die Welt der Modelle

  • (Gesperrt)
    Keine Angst vor Modellen!

    2 Min. 47 Sek.
  • (Gesperrt)
    Naive Bayes mit Produktrezensionen

    7 Min. 52 Sek.
  • (Gesperrt)
    Generative vs. diskriminative Modelle

    5 Min. 59 Sek.
• 3. Neuronale Netze -- Grundlagen 3. Neuronale Netze -- Grundlagen

  • Aufbau eines einfachen neuronalen Netzes

    4 Min. 19 Sek.
  • (Gesperrt)
    Neuronale Netze -- "Forward Propagation"-Beispiel

    4 Min. 35 Sek.
  • (Gesperrt)
    Neuronale Netze -- Fehler ("Loss") berechnen

    2 Min. 7 Sek.
  • (Gesperrt)
    Aktivierungsfunktionen nutzen

    1 Min. 44 Sek.
  • (Gesperrt)
    Fehlerfunktionen ("Loss Functions") -- Überblick

    2 Min. 42 Sek.
  • (Gesperrt)
    Binary Cross Entropy -- Beispiel

    1 Min. 1 Sek.
  • (Gesperrt)
    Categorial Cross Entropy -- Beispiel

    2 Min. 41 Sek.
  • (Gesperrt)
    Mean Squared Error -- Beispiel

    58 Sek.
  • (Gesperrt)
    Cosine Similarity -- Beispiel

    1 Min. 18 Sek.
• 4. Neuronale Netze – praktische Anwendung und Details 4. Neuronale Netze – praktische Anwendung und Details

  • Praxis: Architektur eines neuronalen Netzes mit Keras entwickeln

    10 Min. 12 Sek.
  • (Gesperrt)
    Praxis: Neuronale Netze mit Keras trainieren

    9 Min. 37 Sek.
  • (Gesperrt)
    Praxis: Lernbare Parameter in Keras Layers anzeigen

    4 Min. 10 Sek.
  • (Gesperrt)
    Wie Parameter in neuronalen Netzen initialisiert werden können

    4 Min. 50 Sek.
  • (Gesperrt)
    Metriken: So wird die Genauigkeit in neuronalen Netzen gemessen

    4 Min. 37 Sek.
  • (Gesperrt)
    Modelle evaluieren mit "Accuracy", "Precision", "Recall" und "F1-Score"

    2 Min. 25 Sek.
  • (Gesperrt)
    Neuronale Netze -- Backpropagation Schritt für Schritt

    7 Min. 16 Sek.
  • (Gesperrt)
    Gradient Descent und Mini-Batch

    3 Min.
  • (Gesperrt)
    Learning Rate

    2 Min. 45 Sek.
  • (Gesperrt)
    Was ist Momentum?

    2 Min. 10 Sek.
  • (Gesperrt)
    Optimizers: SGD, AdaGrad, Adam

    4 Min. 4 Sek.
  • (Gesperrt)
    Zusammenfassung: Welche Fehlerfunktion und Metrik bei welchem Problem?

    2 Min. 15 Sek.
• 5 Deep Learning für Bilderkennung 5 Deep Learning für Bilderkennung

  • (Gesperrt)
    Bilder und Features

    1 Min. 50 Sek.
  • (Gesperrt)
    Wie Bilder in Computern repräsentiert werden

    2 Min. 44 Sek.
  • (Gesperrt)
    Bilder als Eingabe für neuronale Netze

    4 Min. 23 Sek.
  • (Gesperrt)
    Convolutional Layer

    6 Min. 8 Sek.
  • (Gesperrt)
    Pooling Layer

    2 Min. 4 Sek.
  • (Gesperrt)
    Architektur eines Convolutional Neural Networks

    1 Min. 18 Sek.
  • (Gesperrt)
    Was lernt ein CNN?

    6 Min. 15 Sek.
  • (Gesperrt)
    Batch Normalization

    1 Min. 39 Sek.
  • (Gesperrt)
    Dropouts nutzen

    2 Min. 49 Sek.
  • (Gesperrt)
    Residual Networks (ResNet)

    3 Min. 5 Sek.
  • (Gesperrt)
    Transfer Learning und Fine-Tuning

    2 Min. 42 Sek.
  • (Gesperrt)
    Unbalanced Datasets: Implikation und Lösungen

    3 Min. 10 Sek.