Welcome to KI 2 - Anwendungen kuenstlicher Intelligenz

In diesem Abschnitt dreht sich alles um Daten. Daten als Ausgangsbasis für erfolgreiche KI / Machine / Deep Learning Projekte. Unter anderem werden wir uns folgenden Fragestellungen widmen:

• Wir erklären den Paradigmenunterschied zwischen "klassischer" Softwareentwicklung und Machine Learning Projekten.

• Wie sieht ein Deep Learning Modell Bilder? Welche Vorarbeiten sind mit meinen Daten erforderlich, um gute Ergebnisse zu erzielen?

Wie sieht der Projektverlauf und die typische grundlegende Zielsetzung eines Machine Learning Projekts aus?

Ohne Daten kein Machine Learning. Doch wie gelange ich an geeignete Trainingsdaten? Wie kann ich den Output eines ML-Modells messen? Was bedeuten die Begriffe Overfitting und Underfitting?

Ohne neuronale Netze wäre Deep Learning nicht möglich. Wir erklären, wie neuronale Netze aufgebaut sind und worin die Analogie zum menschlichen Gehirn besteht.

Wie kommen wir von Bildern zu einer Klassifizierung mithilfe von neuronalen Netzen?

In dieser Lektion überlegen wir, wie ein neuronales Netz lernen kann. Wie hängt der Prognosefehler mit den einzelnen Knoten eines neuronalen Netzes zusammen? Was verbirgt sich hinter dem Backpropagation Algorithmus?

Wir implementieren einen state-of-the-art Deep Learning Klassifizierer mit nur 8 Zeilen Code.

Das Konzept Transferlearning bedeutet, grundlegendes Wissen aus einem vortrainierten neuronalen Netz auf ein neues Problem zu übertragen. Wir betrachten in dieser Lektion die Möglichkeiten und Vorteile dieses Konzepts.

Was versteckt sich hinter der kryptischen Abkürzung CNN? Wie funktionieren Convolutional Neural Nets und warum sind sie für den Bereich Computer Vision so besonders gut geeignet?

LSTMs - Long Short Term Memory Cells waren ausschlaggebend für den Erfolg von Deep Learning bei der Verarbeitung von Zeitreihen Daten. Wir gehen auf die Funktionsweise von LSTMs ein und betrachten verschieden Anwendungsszenarien.