Ein strukturierter Einstieg in neuronale Netze, CNN-Intuition, vortrainierte Bildmodelle und Transfer-Learning-Praxis.
Gehe von der Rolle des Deep Learnings und verschiedener Familien neuronaler Netze über PyTorch-Grundlagen und Faltungsstrukturen bis zu vortrainierten Modellen und Transfer Learning. Die letzte Lektion liefert den Rahmen für ein begrenztes Projekt zur Bildklassifikation. Das Material wird anhand von YouTube-Demonstrationen von CampusX präsentiert; prüfe Framework-APIs und Begriffe zu Datensätzen vor einer Implementierung anhand aktueller Dokumentation.
Unterscheide Deep-Learning-Ansätze von allgemeineren Abläufen des maschinellen Lernens. Beschreibe auf intuitiver Ebene, welchen Beitrag Faltungen zu einem Bildmodell leisten. Vergleiche Merkmalsextraktion und Feinabstimmung als Strategien des Transfer Learnings. Plane ein Experiment zur Bildklassifikation mit Datensatzaufteilung und Fehlerprüfung.
Grundkenntnisse in Python und einführende Begriffe des maschinellen Lernens sind hilfreich. Du solltest mit der Installation von Paketen und dem Lesen kurzer Codebeispiele vertraut sein.
Einsteiger, die eine klare, geführte Einführung ohne unnötigen Fachjargon suchen
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
7 lektionen · Anfänger · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.