Deep Learning Grundlagen mit TensorFlow und Python
4.7 (107 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
2,039 students enrolled

Deep Learning Grundlagen mit TensorFlow und Python

Lerne, wie Du Googles Deep Learning Framework-TensorFlow mit Python nutzen kannst! Löse Probleme mit Neural Networks
Bestseller
4.7 (107 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
2,039 students enrolled
Last updated 5/2020
German
Current price: $135.99 Original price: $194.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 17.5 hours on-demand video
  • 5 articles
  • 14 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Verstehen, wie Neuronale Netze funktionieren
  • Baue dein eigenes Neuronales Netzwerk mit Python auf
  • Benutze TensorFlow für Klassifizierungs- und Regressionsaufgaben
  • TensorFlow für die Bildklassifikation mit faltenden neuronalen Netzen (eng. Convolutional Neural Networks) verwenden
  • Wie man TensorFlow für die Zeitreihenanalyse mit wiederkehrenden neuronalen Netzen (eng. Recurrent Neural Networks) verwendet
  • Verwende TensorFlow 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
  • Werde ein Deep Learning Experte!
Requirements
  • Programmierkenntnisse (vorzugsweise Python)
  • Grundkenntnisse in Mathematik (Mittelwert, Standardabweichung, etc.)
  • Motivation für das Lernen einer komplexen Materie
Description

Willkommen zu TensorFlow für Deep Learning mit Python!

Dieser Kurs richtet sich sowohl an Anfänger, die zum ersten Mal mit Deep Learning in Berührung kommen, als auch an erfahrene  Entwickler, die ihr Portfolio um Fähigkeiten in Richtung Deep Learning und TensorFlow ausbauen wollen!

Dieser Grundlagenkurs führt dich durch den Einsatz des TensorFlow-Frameworks von Google, um künstliche neuronale Netzwerke für Deep Learning zu erstellen. Ziel dieses Kurses ist es, dir einen leicht verständlichen Leitfaden über die Komplexität des TensorFlow-Frameworks von Google zu geben. Dennoch sollte einem die Komplexität dieses Themas bewusst sein. Andere Kurse und Tutorials tendieren dazu, sich von reinem Tensorflow fernzuhalten und stattdessen Abstraktionen zu verwenden, die dem Benutzer weniger Kontrolle geben. Hier stellen wir dir einen Kurs vor, der dir schließlich als vollständige Anleitung zur bestimmungsgemäßen Verwendung des TensorFlow-Frameworks dient und dir die neuesten Techniken des Deep Learning zeigt.


    "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 Deep Learning Kurs wurde entwickelt, um Theorie und praktische Umsetzung in Einklang zu bringen, mit kompletten Jupyter-Notebook-Handbüchern und leicht verständlichen Folien und Notizen. Wir haben auch viele Übungen mit echten Daten, um deine neuen Fähigkeiten zu testen.

Dieser Kurs deckt eine Vielzahl von Themen ab, darunter

  • Grundlagen des Neuronalen Netzes

  • TensorFlow Grundlagen

  • Künstliche Neuronale Netzwerke

  • Dicht verbundene Netzwerke (eng. Densely Connected Networks)

  • Faltungsneuronale Netze (eng. Convolutional Neural Networks)

  • Wiederkehrende Neuronale Netzwerke (eng. Recurrent Neural Networks)

  • AutoEncoder

  • Reinforcement Learning

  • OpenAI Gym

  • und 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 genug, um auch in einer Vielzahl anderer Bereiche einsetzbar zu sein.

Es wird von großen Unternehmen auf der ganzen Welt verwendet, darunter Airbnb, Ebay, Dropbox, Snapchat, Twitter, Uber, SAP, Qualcomm, IBM, Intel und natürlich Google!

Du erhältst lebenslangen Zugang zu allen Lektionen und den passenden Notebooks zu den Lektionen!

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 Maschine Learning Experte! Wir sehen uns im Kurs!

Who this course is for:
  • Python Programmierer , die die neuesten Deep-Learning-Techniken mit TensorFlow erlernen wollen.
  • Data Scientisten, die die neuesten Deep-Learning-Techniken mit TensorFlow erlernen wollen.
Course content
Expand all 121 lectures 17:27:30
+ Einleitung
5 lectures 08:19

Herzlich Willkommen in diesem Kurs!

In dieser Lektion erhältst du wichtige Hinweise rund um den Kurs! Bitte überspringe diese Lektion nicht, wenn dies dein erster Kurs mit uns ist!

Hinweise zum Kurs
03:04
FAQ - Frequently Asked Questions
00:51
Kursmaterialien
00:55
+ Installation und Setup
4 lectures 20:34
Einrichten der Entwicklungsumgebung
00:19

So kannst du die Jupyter Notebooks, Anaconda und Python auf deinem Computer installieren.

Python und Anaconda Installation
08:30
Jupyter Notebooks
06:36

Installiere alle Python Abhängigkeiten, die du für diesen Kurs brauchst.

Wichtig Kurseinrichtung! Python Pakete mit Jupyter Notebook installieren
05:09
+ Crashkurs Übersicht
8 lectures 01:04:05
Crashkurs Python
00:33
Crashkurs Abschnitt Einleitung
01:14
NumPy Crashkurs
17:37
Pandas Crashkurs
06:20
Crashkurs Daten Visualisierung
11:04
SciKit Learn Preprocessing Übersicht
12:27
Crashkurs Wiederholung Übung Lösungen
11:50
Quiz
1 question
+ Einführung in Neuronale Netze
14 lectures 01:25:54
Einführung in Neuronale Netze
00:25
Hinweis zu den Variablen der folgenden Lektionen:
00:14
Einführung in Neuronale Netze
01:28
Einführung Perceptron
04:53
Quiz
1 question
Neuronales Netzwerk Aktivierungsfunktionen
06:10
Kostenfunktion
02:39
Gradientenabstieg Rückpropagation (eng. Gradient Descent Backpropagation)
03:39

Welche der folgenden Aussagen stellt ein echtes Neuron korrekt dar?

Quiz
1 question

In welcher Reihenfolge sollten die Schritte für die Verwendung eines Gradientenabsenkungsalgorithmus (Gradient Descent Algortithm) sein?


Quiz
1 question
Manuelle Erstellung von Neuronalen Netzen - Teil 1
05:54
Manuelle Erstellung von Neuronalen Netzen - Teil 2 - Operationen
09:11
Manuelle Erstellung von Neuronalen Netzen - Teil 3 - Platzhalter und Variablen
10:07
Manuelle Erstellung von Neuronalen Netzen - Teil 4 - Session
13:56
Manuelle Klassifikationsaufgabe für Neuronale Netzwerke
10:13
Manuelle Erstellung von Neuronalen Netzen - Teil 6 - Perzeptron
10:11
+ TensorFlow Grundlagen
18 lectures 03:30:20
TensorFlow API
00:20
Einleitung TensorFlow
01:21
TensorFlow Graphen
08:11
Variablen und Platzhalter
08:51
Quiz
1 question
TensorFlow - Ein Neuronales Netzwerk - Teil 1
11:37
TensorFlow - Ein Neuronales Netzwerk - Teil 2
09:26
TensorFlow - Ein Neuronales Netzwerk - Teil 3
15:33
TensorFlow Regression Beispiel - Teil 1
22:01
TensorFlow Regression Beispiel - Teil 2
13:56
TensorFlow Regression Beispiel - Teil 3
09:19
TensorFlow Klassifikation Beispiel - Teil 1
18:00
TensorFlow Klassifikation Beispiel - Teil 2
16:05
TensorFlow Klassifikation Übung
04:23
TensorFlow Klassifikation Übung - Lösung
22:22
Speichern und Wiederherstellen von Modellen
05:20
+ Faltungsneuronale Netze (eng. Convolutional Neural Networks)
16 lectures 02:33:22
Faltungsneuronale Netze (eng. Convolutional Neural Networks)
00:17
Einführung in die Sektion Faltungsneuronales Netzwerk
01:06
Wiederholung Neuronales Netzwerk
02:31
MNIST Grundansatz Teil 1
10:27
MNIST Grundansatz Teil 2
18:11
CNN Theorie Teil 1
07:05
CNN Theorie Teil 2
12:21
CNN Theorie Teil 3
04:30
CNN MNIST Coding Lektion Teil 1
15:04
CNN MNIST Coding Lektion Teil 2
08:47
CNN MNIST Coding Lektion Teil 3
11:43

Faltungsneuronale Netze (Convolutional Neural Networks) können verschiedene Arten der Transformation (Rotation oder Skalierung) in einem Input durchführen. Ist die Aussage wahr oder falsch?


Quiz
1 question
Einführung in das CNN-Projekt
05:31
CNN Projekt Aufgabe - Lösung Teil 1
17:36
CNN Projekt Aufgabe - Lösung Teil 2
21:02
Quiz
1 question
+ Wiederkehrende Neuronale Netze (eng. Recurrent Neural Networks, RNN)
18 lectures 03:14:00
Recurrent Neuronal Networks
00:25
Einführung in den RNN Abschnitt
01:21
RNN Theorie
08:30
Manuelle Erstellung von RNN
15:28
Verschwindende Gradienten
04:47
LSTM und GRU Theorie
08:08
Einführung in RNN mit TensorFlow API
04:03
RNN mit TensorFlow - Teil 1
19:33
RNN mit TensorFlow - Teil 2
14:19
RNN mit TensorFlow - Teil 3
17:42
RNN mit TensorFlow - Teil 4
10:46
Zeitreihen Aufgabe - Lösungen
15:27
Zeitreihen Aufgabe - Lösungen - Teil 2
12:36
Kurzer Hinweis zu Word2Vec
02:16
Word2Vec Theorie
08:39
Word2Vec Coding Lektion - Teil 1
22:34
Word2Vec Coding Lektion - Teil 2
22:05
+ API Abstraktionen
5 lectures 50:14
API Abstraktionen
00:16
Deep Nets mit Tensorflow Abstraktionen API - Teil 1
09:48
Deep Nets with Tensorflow Abstractions API - Estimator API
11:55
Deep Nets mit Tensorflow Abstraktionen API - Keras
11:20
Deep Nets mit Tensorflow Abstraktionen API - Layers
16:55
+ TensorBoard
3 lectures 20:52
TensorBoard
00:22
Tensorboard Graphen
13:24
Tensorboard Histogramme
07:06