Welcome2KI Teil 3: KI Deep Learning Projekte selbst umsetzen | Data Science Online Course by Udemy

Development Online Course by Udemy, On Sale Here

PyTorch und fastai ermglichen einen state-of-the-art Deep Learning Klassifizierer mit nur 8 Zeilen Code. Unvorstellbar?

An excellent training about Data Science

Welcome2KI Teil 3: KI Deep Learning Projekte selbst umsetzen

Der dritte Teil aus der Reihe “Welcome 2 KI” bringt uns zur Entwicklung von knstlicher Intelligenz mittels Deep Learning Techniken. Zum Einsatz kommen PyTorch und das darauf aufbauende fastai Framework. Lerne, wie du mit fastai und PyTorch mit nur 8 Zeilen Code einen state-of-the-art Bildklassifizierer bauen kannst! Wir lernen die kostenfreie Entwicklungsumgebung frDeep Learning von google: colab Notebooks kennen. Auf diese Weise knnen wir sehr einfach mit einer kostenfreien GPU arbeiten. Im Anschlu entwickeln wir eine eigene Deep Learning Applikation und arbeiten den gesamten Prozess end-to-end bis zur Erstellung eines User-Interfaces fr unsere Deep Learning Anwendung durch. Neben den Techniken und der geschichtlichen Entwicklung von neuronalen Netzen, besprechen wir das Thema Data Augmentation. Wie knnen wir aus einem beschrnkten Datenset ein greres machen und warum macht der Einsatz von verschiedenen Data Augmentation Techniken Sinn? Wie untersttzt uns fastai und PyTorch bei der Data Augmentation?Wir stellen unser eigenes Trainingsdatenset automatisiert zusammen, bauen ein Deep Learning Modell mithilfe neuronaler Netze, testen unser Modell mit einem Validierungsdatenset undDeployment unser Modell als Webapplikation kostenfrei im InternetDanach gehen wir technisch in die Tiefe und implementieren smtliche Schritte, die fr das Trainieren eines Deep Learning Modells erforderlich sind mit reinem Python Code nach. Auf diese Weise verstehen wir die Zusammenhnge, was hinter den Kulissen einer knstlichen Intelligenz auf Basis von Deep Learning abluft. Was passiert genau whrend des “Lernens”unseres Modells?Worin liegt der Unterschied zwischen der Metrik (zB Genauigkeit) unseres Modells und der Loss-Funktion (ZBMean-Squared-Error). Warum bentigen wir beides?Wie hilft uns ein Dataloader beim Umgang mit unseres Trainingsdaten?Wie initialisieren wir die Gewichte (Parameter) in unserem neuronal Netz?Was passiert whrend des Trainings mit den Gewichten des neuronalen Netzes?Wie knnen wir PyTorch nutzen, um die Gradienten unserer Gewichte im neuronalen Netz zu berechnen?Wir implementieren den Gradient-Descent Algorithmus “from-the-scratch” undintegrieren Mini-Batches, um zu Stochastic-Gradient-Descent zu gelangen. Wir implementieren unseren eigenen Optimizer fr die Verwendung mit PyTorch. Warum bentigen wir “Nicht-Linearitt”, um ein komplexes neuronales Netz aufbauen zu knnen?Was genau ist eine “Aktivierungsfunktion” wie zB. ReLU(Rectified Linear Unit)?Wie kann ich mithilfe der Confusion Matrix das Ergebnis meines Modells bewerten?Wie funktioniert ein Multi-Label Klassifizierer?Smtlicher Code, der im Kurs besprochen wird, ist via github verfgbar und kann direkt in google colab geffnet und ausgefhrt werden. Der Link zum Kurs-Repository befindet sich direkt in den Kursressourcen. Dies ist nicht der Machine Learning Kurs von jannis seemann – es werden aber vergleichbare Inhalte vermittelt. Allerdings unter Verwendung von PyTorch und fastai.

Udemy is the leading global marketplace for learning and instruction

By connecting students all over the world to the best instructors, Udemy is helping individuals reach their goals and pursue their dreams.

Study anytime, anywhere.

START HERE