Rating 4.35 out of 5 (22 ratings in Udemy)
What you'll learn- Umgang mit Daten hinsichtlich Machine / Deep Learning
- Datenvorverarbeitung für Deep Learning Projekte
- Wie "lernt" eine künstliche Intelligenz?
- Wie "sieht" eine künstliche Intelligenz Bilder?
- Wie plane ich KI-Projekte?
- Wie kann ich Machine Learning Modelle evaluieren und deren Ergebnisse vergleichen?
- Warum erlebte "Deep Learning" so großen Zuspruch?
- Was sind neuronale Netze und wie hängen diese mit dem Thema künstliche …
Rating 4.35 out of 5 (22 ratings in Udemy)
What you'll learn- Umgang mit Daten hinsichtlich Machine / Deep Learning
- Datenvorverarbeitung für Deep Learning Projekte
- Wie "lernt" eine künstliche Intelligenz?
- Wie "sieht" eine künstliche Intelligenz Bilder?
- Wie plane ich KI-Projekte?
- Wie kann ich Machine Learning Modelle evaluieren und deren Ergebnisse vergleichen?
- Warum erlebte "Deep Learning" so großen Zuspruch?
- Was sind neuronale Netze und wie hängen diese mit dem Thema künstliche Intelligenz zusammen?
- Wo "versteckt" sich das Wissen eines neuronalen Netzes?
- Wie kann ich riesige neuronale Netze mittels "Transferlearning" sehr rasch trainieren?
- Was sind Convolutional Neural Networks und wie funktionieren sie?
- Wofür verwende ich LSTMs (Long Short Term Memory) in neuronalen Netzen?
DescriptionDieser Kurs ist der zweite Teil der Reihe "Welcome to KI" und setzt die Reise in Richtung künstlicher Intelligenz fort.
Nach der Einführung widmen wir uns nun stärker der Technik hinter den Anwendungsgebieten künstlicher Intelligenz - ohne noch selbst zu programmieren.
Wir erläutern:
Warum Daten die wichtigste Basis für KI/Machine Learning Projekte darstellen
Wie Machine Learning Modelle verschiedenen Datenformate verarbeiten
Welche Aufgabenstellungen fallen in einem typischen Machine Learning Projekt an?
Inwiefern unterscheidet sich der Ansatz bei Machine Learning /Deep Learning Projekten von klassischen Softwareprojekten?
Wie kann ich die Trainingsdaten für Machine Learning Projekte erfolgreich vorbereiten?Was verstehen wir unter "PreProcessing" der Daten?
Was ist Overfitting bzw. Underfitting? Wie können wir dem entgegen wirken?
Wie unterscheidet sich Deep Learning von anderen Werkzeugen aus dem Machine Learning Werkzeugkasten?
Ein Schwerpunkt wird in diesem Kurs auf neuronalen Netzen liegen:
Wie funktionieren neuronale Netze?Woher kommt die Analogie zwischen neuronalen Netzen und der Arbeitsweise des menschlichen Gehirns?
Wie steht das Konzept Transferlearning in Verbindung mit neuronalen Netzen?
Wo finden spezielle Ausprägungen neuronaler Netze wie Convolutional Neural Nets (CNNs) oder Long Short Term Memory (LSTMs)Anwendung?
Was ist bei der Verarbeitung von Zeitreihen basierten Daten zu beachten?Wie erstellen wir einen Split in Trainingsdaten und Validierungsdaten?
