Development
Data Science
Deep Learning
Deep Learning: Generative Neuronale Netzwerke mit Python
4.2 (111 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.
1,487 students enrolled

Deep Learning: Generative Neuronale Netzwerke mit Python

Entwerfe eigene künstliche Intelligenzen (AI) mit TensorFlow und Keras, die Bilder von Tieren un Objekten erzeugen kann.
4.2 (111 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.
1,487 students enrolled
Created by Jan Schaffranek
Last updated 5/2020
German
Preview this course
Deep Learning: Generative Neuronale Netzwerke mit Python
Current price: $64.99 Original price: $99.99 Discount: 35% off
1 day left at this price!
Buy now
30-Day Money-Back Guarantee
This course includes
  • 10 hours on-demand video
  • 5 articles
  • 51 downloadable resources
  • 3 coding exercises
  • 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
  • Verstehe und verwende Generative Deep Learning Techniken
  • Entwickle eine eigene künstliche Intelligenz mit Generativen Neuronalen Netzwerke
  • Entwickle eine AI, die täuschend echte Bilder erzeugen kann
  • Führe einen Angriff auf trainierte Neuronale Netzwerke aus
  • Entwickle Modelle, die realitätsnahe Daten generieren können
  • Entwickle Modelle, die Daten komprimieren können
Course content
Expand all 98 lectures 09:54:23
+ – Kapitel 1: Einleitung des Kurses
15 lectures 01:08:10
Begrüßung zum Kurs
Preview 00:39
Einleitung in den Kurs
03:57
Was werden wir im Kurs lernen?
Preview 04:09
Vorwort zu der Installation
02:16
Installation: Python, Anaconda und TensorFlow
00:26
Windows: Installation von Anaconda
03:45
Linux: Installation von Anaconda
07:18
MacOS: Installation von Anaconda
00:04
Einrichtung von Anaconda
06:16
Einrichtung von TensorFlow (CPU)
03:51
Einrichtung von TensorFlow (GPU)
03:46
Installation und Einrichtung von VS Code
15:51
Die ersten Schritte mit VS Code
11:09
Handbuch des Kurses
04:33
Kursmaterialien
00:09
+ – Kapitel 2 : Grundlagen in Python Programmierung
17 lectures 02:00:59
Vorwort zu der Python Programmierung
03:52
Variablen und Rechenoperationen
12:48
Abfragen und Logik
05:41
Listen
06:22
For- und While Schleife
06:35
Listen Iteration, Enumerate und zip Funktion
07:30
Dictionaries
05:32
Einführung in die Python Programmierung
3 questions
Funktionen
06:45
Eigene Module
06:07
Numpy
11:28
Matplotlib
07:40
Einführung in die Python Programmierung
2 questions
Vorwort zu den Programmierübungen
01:05
Einstieg in die Python Programmierung
1 question
Musterlösung: Einstieg in die Python Programmierung
03:09
List Comprehensions und Mehrdimensionale Listen
08:04
Listen: Index und Slices
09:37
Weiteres zu Numpy
10:09
Klassen
08:35
+ – Kapitel 3: Deep Learning Grundlagen
16 lectures 01:37:20
Was ist das Machine Learning
Preview 04:09
Was ist das Supervised Learning
06:27
Supervised Learning Intuition
04:53
Machine Learning
2 questions
Was sind Neuronale Netzwerke
03:41
Wie sind Neuronale Netzwerke aufgebaut
05:26
Neuronale Netzwerke Intuition - Teil 1
06:10
Wie lernt das Neuronale Netzwerk
08:38
Neuronale Netzwerke Intuition - Teil 2
05:58
Neuronale Netzwerke
2 questions
Der MNIST Datensatz
03:09
Der Aufbau des Deep Neural Networks
04:04
Deep Neural Network - Programmieren
16:00
Das Deep Neural Network erweitern
1 question
Musterlösung: Das Deep Neural Network erweitern
03:11
Was sind Convolutional Neural Networks
06:46
Parameter von Conv und Pooling Layern
03:40
Conv Neural Netwrok - Programmieren
09:03
Conv Neural Network - Optimierung
06:05
DNN und CNN Eigenschaften
2 questions
+ – Kapitel 4: Generative Adversarial Networks - Theorie
5 lectures 21:28
Generative vs. Discriminative Algorithmen
Preview 04:27
Der Allgemeine GAN Aufbau
04:27
GAN im Kontext der Spieltheorie
03:42
Das Generator und Discriminator Netzwerk
03:58
Der Ablauf eines GAN
04:54
GAN Theorie
2 questions
+ – Kapitel 5-1: Generative Adversarial Networks (GAN)
10 lectures 01:11:42
Aufbau des GAN
Preview 05:38
Wichtig: Umstieg auf TensorFlow 2
05:50
Vorbereitung des GAN
05:36
Das Generator Netzwerk (GAN)
08:07
Das Discriminator Netzwerk (GAN)
05:18
Initialisierung des GAN
11:52
Zusatz: Input der Netzwerke und der Ablauf
03:55
Fertigstellung des GAN - Teil 1
11:07
Fertigstellung des GAN - Teil 2
10:56
Auswertung des GAN
Preview 03:23
GAN
2 questions
+ – Kapitel 5-2: Deep Convolutional Generative Adversarial Network (DCGAN)
11 lectures 46:36
Aufbau eines DCGAN
02:40
Vorbereitung des DCGAN
02:08
Das Generator Netzwerk (DCGAN)
09:18
Zusatz: UpSampling und TransposeConvolution erklärt
02:40
Das Discriminator Netzwerk (DCGAN)
09:01
Fertigstellung des DCGAN
01:08
Auswertung des DCGAN vs. GAN
04:39
Der CIFAR-10 Datensatz
01:58
CNN mit dem CIFAR10 Datensatz
1 question
Musterlösung: CNN mit dem CIFAR10 Datensatz
01:53
DCGAN mit dem CIFAR-10 Datensatz
05:44
Auswertung des DCGAN mit dem CIFAR10 Datensatz
05:27
DCGAN
2 questions
+ – Kapitel 5 - 3: Conditional Generative Adversarial Network (CGAN)
6 lectures 37:52
Aufbau eines CGAN
02:35
Vorbereitung des CGAN
03:44
Das Generator Netzwerk (CGAN)
11:27
Das Discriminator Netzwerk (CGAN)
07:04
Fertigstellung des CGAN
10:29
Auswertung des CGAN
Preview 02:33
CGAN
2 questions
+ – Kapitel 5 - 4: Weiteres zu GAN Modellen
3 lectures 09:25
Zusatz: Was ist ein WGAN?
06:23
Zusatz: Was ist ein CycleGAN?
02:47
Zusatz: Wissenschaftliche Artikel zu GAN
00:15
+ – Kapitel 6: Generative Adversarial Attacks
4 lectures 44:09
Was sind Generative Adversarial Attacks
11:18
Untargeted Angriff - Teil 1
07:15
Untargeted Angriff - Teil 2
18:44
Targeted Angriff
06:52
Adversarial Attacks
2 questions
+ – Kapitel 7-1: Autoencoder (AE)
5 lectures 41:13
Was sind Autoencoder?
06:31
Autoencoder Programmieren
17:13
Deep Autoencoder Programmieren
05:11
Convolutional Autoencoder Programmieren
08:06
Autoencoder zum entfernen von Noise einsetzen
Preview 04:12
Requirements
  • Programmier Grundkenntnisse sind hilfreich.
Description

Bewertungen von Kursteilnehmern:

  • "Sehr schön erklärt. Selbst als Mathematiker lerne ich noch einiges dazu, super!." (★★★★★ von Peter Klausmann)

  • "GAN's sind wirklich ein spannendes Thema im Deep Learning. Und diese werden hier auch noch super erklärt ;)" ( ★★★★★ von

    Markus Preez)

  • "In dem Kurs wird viel gezeigt ohne groß um die Themen herumzureden. Es wird alles sehr gut erklärt und Schritt für Schritt programmiert." ( ★★★★★ von Karl Marwe)

Kursbeschreibung:

Du wirst anhand des Kurses eigene Generative Neuronale Netzwerke erstellen können. 
Unter Anderem werden die Generative Adversarial Networks (GAN) vorgestellt. Diese können beispielsweise künstliche Gesichter von Menschen, Tiere oder handgeschriebene Zahlen erzeugen.

Die Sektionen des Kurses sind mit Videos, Quizze und Programmieraufgaben versehen, um den optimalen Lernerfolg zu garantieren. Ebenfalls werden zu allen Lektionen weiterführende Materialien verlinkt und der gesamte Code wird frei zugänglich sein.

Dieser Kurs besteht aus folgenden Themengebieten:

  • Grundlagen der Python Programmierung

  • Grundlagen des Machine- und Deep Learnings

  • Eigene Deep Neural Networks implementieren 

  • Verschiedene Adversarial Generative Networks implementieren (GAN)

  • Ein Angriff auf Neuronale Netzwerke mit Adversarial Attacks

  • Die Komprimierung von Daten mit Autoencodern (AE)

  • Das Erzeugen von Daten mit Variational Autoencoder (VAE)

Warum sollte man TensorFlow und Keras verwenden?

TensorFlow ist eine Open-Source Software Bibliothek von Googles, mit der man sehr effiziente Neuronale Netzwerke implementieren kann. Keras ist ein Software-Paket, welches zahlreiche vordefinierte Funktionen für TensorFlow bereithält.
Diese Software wird von einigen Big Playern weltweit genutzt, darunter  sind z. B. Ebay, Dropbox, Snapchat, Twitter, SAP, IBM, Intel und Google!

Werde noch heute ein Profi, in der Technologie von Morgen!
Wir sehen uns im Kurs!

Who this course is for:
  • Alle die die neusten Deep Learning Techniken erlernen wollen
  • Studenten, Softwareentwickler oder Machine Learning Experten