Udemy
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
Development
Web Development Data Science Mobile Development Programming Languages Game Development Database Design & Development Software Testing Software Engineering Development Tools No-Code Development
Business
Entrepreneurship Communications Management Sales Business Strategy Operations Project Management Business Law Business Analytics & Intelligence Human Resources Industry E-Commerce Media Real Estate Other Business
Finance & Accounting
Accounting & Bookkeeping Compliance Cryptocurrency & Blockchain Economics Finance Finance Cert & Exam Prep Financial Modeling & Analysis Investing & Trading Money Management Tools Taxes Other Finance & Accounting
IT & Software
IT Certification Network & Security Hardware Operating Systems Other IT & Software
Office Productivity
Microsoft Apple Google SAP Oracle Other Office Productivity
Personal Development
Personal Transformation Personal Productivity Leadership Career Development Parenting & Relationships Happiness Esoteric Practices Religion & Spirituality Personal Brand Building Creativity Influence Self Esteem & Confidence Stress Management Memory & Study Skills Motivation Other Personal Development
Design
Web Design Graphic Design & Illustration Design Tools User Experience Design Game Design Design Thinking 3D & Animation Fashion Design Architectural Design Interior Design Other Design
Marketing
Digital Marketing Search Engine Optimization Social Media Marketing Branding Marketing Fundamentals Marketing Analytics & Automation Public Relations Advertising Video & Mobile Marketing Content Marketing Growth Hacking Affiliate Marketing Product Marketing Other Marketing
Lifestyle
Arts & Crafts Beauty & Makeup Esoteric Practices Food & Beverage Gaming Home Improvement Pet Care & Training Travel Other Lifestyle
Photography & Video
Digital Photography Photography Portrait Photography Photography Tools Commercial Photography Video Design Other Photography & Video
Health & Fitness
Fitness General Health Sports Nutrition Yoga Mental Health Dieting Self Defense Safety & First Aid Dance Meditation Other Health & Fitness
Music
Instruments Music Production Music Fundamentals Vocal Music Techniques Music Software Other Music
Teaching & Academics
Engineering Humanities Math Science Online Education Social Science Language Teacher Training Test Prep Other Teaching & Academics
AWS Certification Microsoft Certification AWS Certified Solutions Architect - Associate AWS Certified Cloud Practitioner CompTIA A+ Cisco CCNA Amazon AWS AWS Certified Developer - Associate CompTIA Security+
Photoshop Graphic Design Adobe Illustrator Drawing Digital Painting InDesign Character Design Canva Figure Drawing
Life Coach Training Neuro-Linguistic Programming Mindfulness Personal Development Personal Transformation Meditation Life Purpose Neuroscience Coaching
Web Development JavaScript React CSS Angular PHP WordPress Node.Js Python
Google Flutter Android Development iOS Development Swift React Native Dart Programming Language Mobile Development Kotlin SwiftUI
Digital Marketing Google Ads (Adwords) Social Media Marketing Google Ads (AdWords) Certification Marketing Strategy Internet Marketing YouTube Marketing Email Marketing Google Analytics
SQL Microsoft Power BI Tableau Business Analysis Business Intelligence MySQL Data Analysis Data Modeling Big Data
Business Fundamentals Entrepreneurship Fundamentals Business Strategy Online Business Business Plan Startup Freelancing Blogging Home Business
Unity Game Development Fundamentals Unreal Engine C# 3D Game Development C++ 2D Game Development Unreal Engine Blueprints Blender
2020-12-17 10:11:31
30-Day Money-Back Guarantee

This course includes:

  • 8 hours on-demand video
  • 17 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Assignments
Development Data Science Deep Learning

Welcome2KI Teil 3: KI Deep Learning Projekte selbst umsetzen

PyTorch und fastai ermöglichen einen state-of-the-art Deep Learning Klassifizierer mit nur 8 Zeilen Code. Unvorstellbar?
Rating: 5.0 out of 55.0 (1 rating)
17 students
Created by Bernhard Mayr
Last updated 12/2020
German
30-Day Money-Back Guarantee

What you'll learn

  • Umsetzung eines Bildklassifizierers mit dem fastai Framework und PyTorch
  • Aufbau eines individuellen Bilddatensets für unser Deep Learning System
  • Implementierung eines individuellen Biildklassifizierers end-2-end. Wir generieren das Datenset, erstellen das Modell und fügen mit voila ein graphisches Userface hinzu. Im Anschluß erfolgt das kostenfreie Deployment im Web.
  • Wie kann ich vom dem Thema Data Augmentation profitieren? Wie hilft das fastai Framework bei kleinen Datensets?
  • Einsatz und Verwendung der google colab Plattform, um mithilfe einer kostenfreien GPU schnell neuronale Netze trainieren zu können.
  • Woher kommt die Idee neuronaler Netze? Wie sind neuronale Netze aufgebaut?
  • Worin liegt der große Vorteil von neuronalen Netzen?
  • Worin besteht der Unterschied zwischen einer Metrik und einer loss-Funktion?
  • Was ist das Approximations-Theorem? Etwas Mathematik, leicht verständlich erklärt.
  • In-Depth Analyse. Was passiert hinter den Kulissen von fastai? Wir implementieren sämtliche Schritte mit purem Python nach!
  • Warum kann ich Deep Learning Modelle auch für Datensets mit nur wenigen Elementen einsetzen?
  • Was genau bedeutet das Konzept "Transfer-Learning" und wie kann ich es für einen Bild-Klassifizierer nutzen?
  • Wie funktioniert der (Stochastic) Gradient Descent Algorithmus? Wie kann ich diesen mit reinem Python Code implementieren?
  • Was genau ist ein Multi-Label Klassifizierer und wie baue ich eine solche Architektur selbst mithilfe von PyTorch und fastai?
  • Was verbirgt sich hinter dem Begriff "Image Regression"?
  • Wir implementieren ein Modell, das die Koordinaten der Mitte des Gesichts auf einem Portraitfoto errechnet.

Course content

9 sections • 69 lectures • 7h 49m total length

  • Preview01:33
  • Preview01:05
  • Infrastruktur - Editier- vs. Befehlssicht in Colab
    04:21
  • Infrastruktur - Plotten von Funktionen direkt im Notebook
    02:34
  • User Interfaces mithilfe von IPython Widgets direkt im Notebook umsetzen
    02:52
  • Laufzeitumgebung auf GPU ändern, Verknüpfung mit gdrive herstellen
    03:04
  • Shell / Terminalbefehle direkt im Notebook ausführen
    02:06
  • Erstelle dein erstes Notebook mithilfe von Google Colab
    2 questions

  • Preview09:23
  • Deep Learning Frameworks
    15:22

  • Preview06:17
  • Deep Learning Cats vs. Dogs Classifier - Code Walk Through 2
    05:06
  • Testen unseres Classifiers
    02:49
  • Cats vs. Dogs Klassifizierer - Theoretischer Hintergrund 1/2
    08:24
  • Cats vs. Dogs Klassifizierer - Theoretischer Hintergrund 2/2
    07:09
  • Overfitting
    05:26
  • Auswahl der Daten für das Validation-Set
    04:47
  • Metrik vs. Loss-Funktion
    03:14
  • Was lernt unser Modell eigentlich intern?
    04:08

  • Preview06:39
  • Bilder für unser Datenset mithilfe von Bing-Image Search laden
    02:54
  • Download der Bilder für unseren Classifier
    08:47
  • Persistentes Speichern unseres Bilddatensets
    03:41
  • Vorbereitungen für den CNN Learner
    02:07
  • Dataloaders erstellen
    11:50
  • Trainieren unseres CNN-Learners
    03:37
  • Inference - Prognosen mit unserem Classifier erstellen
    08:14
  • User Interface mithilfe von IPyWidgets
    06:38
  • Deployment mit Voila und dem Binder Service
    09:29
  • Data Augmentation Techniken
    19:07
  • Confusion Matrix
    05:03
  • Image Data Cleaner
    11:25

  • Preview06:24
  • MNIST Berechnung der Durchschnittswerte
    14:19
  • Ermittlung der Distanz zur perfekten 3 / 7 (Theorie)
    04:27
  • L1-Norm und MSE im Code
    04:31
  • NumPy Arrays vs. PyTorch Tensors
    04:31
  • Einführung Handling von Tensoren
    03:07
  • Validierung unseres Modells mittels Broadcasting
    15:51
  • Stochastic Gradient Descent - Basics
    07:22
  • Berechnung der Gradienten mit PyTorch
    05:39
  • Wahl der richtigen Learningrate
    04:09
  • Vollständiges Optimierungsbeispiel mithilfe von Gradient Descent
    14:58
  • Zusammenfassung Gradient Descent
    03:51
  • Stochastic Gradient Descent mit MNIST
    32:09
  • Eigener Optimizer
    07:48
  • Nicht-Linearität zu unserem Modell hinzufügen
    12:00
  • Zusammenfassung, Abschluss
    00:34

  • Preview03:17
  • Image Presizing - Codebeispiel
    05:41
  • Vom Binärlkassifizierer zum Multi-Label-Klassifizierer
    15:28
  • Die Cross-Entropy-Loss-Function
    14:03
  • Die Bedeutung vom Logarithmus in unserer Loss-Funktion
    04:20
  • Interpretation unseres Multi-Label Modells
    02:15
  • Die Learning Rate als Hyperparameter. Learning-Rate-Finder aus fastai
    04:42
  • Unfreezing und Discriminative Learning Rates
    09:13
  • Anzahl Trainings-Epochs, Wahl der Basis-Modell-Architektur
    06:03
  • Outro - Zusammenfassung
    01:48

  • Das Datenset für den Multi-Label Classifier
    17:01
  • Multi-Label Classifier erstellen.
    06:35

  • Image-Regression: Unser Datenset
    05:58
  • Image-Regression: Der Learner
    05:22

  • Normalisierung der Trainingsdaten
    04:45
  • Normalisierung der Trainingsdaten Codebeispiel
    07:06
  • Progressive Resizing
    06:52
  • Test-Time-Augmentation
    03:57
  • Test-Time-Augmentation 2
    00:47
  • MixUp Augmentation Technik
    03:18
  • Mix Up Augmentation 2
    05:42
  • Label Smoothing
    04:13

Requirements

  • Du solltest zumindest über Basisprogrammierkenntnisse in Python verfügen.
  • Wir empfehlen parallel unsere anderen Kurs aus der Reihe welcome2ki zu absolvieren. So schaffst du dir einen guten Überblick über das gesamte Thema "künstliche Intelligenz".

Description

Der dritte Teil aus der Reihe "Welcome 2 KI" bringt uns zur Entwicklung von künstlicher Intelligenz mittels Deep Learning Techniken. Zum Einsatz kommen PyTorch und das darauf aufbauende fastai Framework.

Lerne, wie du mit fastai und PyTorch mit nur 8 Zeilen Code einen state-of-the-art Bildklassifizierer bauen kannst!

Wir lernen die kostenfreie Entwicklungsumgebung für Deep Learning von google: colab Notebooks kennen. Auf diese Weise können wir sehr einfach mit einer kostenfreien GPU arbeiten.

Im Anschluß entwickeln wir eine eigene Deep Learning Applikation und arbeiten den gesamten Prozess end-to-end bis zur Erstellung eines User-Interfaces für unsere Deep Learning Anwendung durch.

Neben den Techniken und der geschichtlichen Entwicklung von neuronalen Netzen, besprechen wir das Thema Data Augmentation.

Wie können wir aus einem beschränkten Datenset ein größeres machen und warum macht der Einsatz von verschiedenen Data Augmentation Techniken Sinn? Wie unterstützt uns fastai und PyTorch bei der Data Augmentation?

  • Wir stellen unser eigenes Trainingsdatenset automatisiert zusammen,

  • bauen ein Deep Learning Modell mithilfe neuronaler Netze,

  • testen unser Modell mit einem Validierungsdatenset und

  • Deployment unser Modell als Webapplikation kostenfrei im Internet

Danach gehen wir technisch in die Tiefe und implementieren sämtliche Schritte, die für das Trainieren eines Deep Learning Modells erforderlich sind mit reinem Python Code nach. Auf diese Weise verstehen wir die Zusammenhänge, was hinter den Kulissen einer künstlichen Intelligenz auf Basis von Deep Learning abläuft.

  • Was passiert genau während des "Lernens" unseres Modells?

  • Worin liegt der Unterschied zwischen der Metrik (zB Genauigkeit) unseres Modells und der Loss-Funktion (ZB Mean-Squared-Error). Warum benötigen wir beides?

  • Wie hilft uns ein Dataloader beim Umgang mit unseres Trainingsdaten?

  • Wie initialisieren wir die Gewichte (Parameter) in unserem neuronal Netz?

  • Was passiert während des Trainings mit den Gewichten des neuronalen Netzes?

  • Wie können wir PyTorch nutzen, um die Gradienten unserer Gewichte im neuronalen Netz zu berechnen?

  • Wir implementieren den Gradient-Descent Algorithmus "from-the-scratch" und

  • integrieren Mini-Batches, um zu Stochastic-Gradient-Descent zu gelangen.

  • Wir implementieren unseren eigenen Optimizer für die Verwendung mit PyTorch.

  • Warum benötigen wir "Nicht-Linearität", um ein komplexes neuronales Netz aufbauen zu können?

  • Was genau ist eine "Aktivierungsfunktion" wie zB. ReLU (Rectified Linear Unit)?

  • Wie kann ich mithilfe der Confusion Matrix das Ergebnis meines Modells bewerten?

  • Wie funktioniert ein Multi-Label Klassifizierer?

Sämtlicher Code, der im Kurs besprochen wird, ist via github verfügbar und kann direkt in google colab geöffnet und ausgeführt werden. Der Link zum Kurs-Repository befindet sich direkt in den Kursressourcen.

Dies ist nicht der Machine Learning Kurs von jannis seemann - es werden aber vergleichbare Inhalte vermittelt. Allerdings unter Verwendung von PyTorch und fastai.


Who this course is for:

  • Python Entwickler mit Interesse an künstlicher Intelligenz, deep learning und PyTorch / fastai.

Instructor

Bernhard Mayr
KI-Experte, Vortragender, Fachbuchautor
Bernhard Mayr
  • 4.3 Instructor Rating
  • 19 Reviews
  • 68 Students
  • 3 Courses

Nach vielen Jahren Berufserfahrung in der Softwareentwicklung und Unternehmensberatung erkannte Bernhard J. Mayr bereits vor Jahren das wirtschaftliche Potential, das künstliche Intelligenz für Unternehmen bietet.


Aus diesem Grund widmete er sich neben dem Aufbau eines erfolgreichen IT-Unternehmens immer stärker dem Thema künstliche Intelligenz und erkannte, dass besonders die kleinstrukturierte Wirtschaft in Österreich einen massiven Wissensnachteil im Bereich künstlicher Intelligenz gegenüber der Konkurrenz aus China und der USA hat.


Im Rahmen der Beratungspraxis konnte er erkennen, dass es nicht nur die Techniker und Ingenieure sind, die fehlen, um die heimische Wirtschaft zu unterstützen, sondern insbesondere auch das Wissen um die wirtschaftliche Anwendung und Verwertung dieser neuen Technologie.


Sein Unternehmen we-make-ai beschäftigt sich mit Beratung und Umsetzung in den Bereichen Digitalisierung, DataScience und Machine Learning.


In seinem Blog "kuenstliche intelligenz in a nutshell" beschreibt er laufend anhand von Artikeln den praktischen Einsatz künstlicher Intelligenz in Unternehmen. Dieser Blog soll dazu dienen, Unternehmern die Hemmschwelle zu nehmen und selbst in diesem Bereich aktiv zu werden.

  • Udemy for Business
  • Teach on Udemy
  • Get the app
  • About us
  • Contact us
  • Careers
  • Blog
  • Help and Support
  • Affiliate
  • Terms
  • Privacy policy
  • Cookie settings
  • Sitemap
  • Featured courses
Udemy
© 2021 Udemy, Inc.