|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/welcome2ki-teil-3-ki-deep-learning-projekte-selbst-umsetzen/
课程评论：没有评论
**Coursera 课程总结：Welcome2KI Teil 3: KI Deep Learning Projekte selbst umsetzen** 本课程是“Welcome 2 KI”系列的第三部分，专注于通过深度学习技术开发人工智能。课程主要使用 PyTorch 和基于 PyTorch 的 fastai 框架。 **核心内容：** * **Fastai 与 PyTorch 的应用：** 学习如何仅用 8 行代码构建最先进的图像分类器。 * **Google Colab：** 了解并使用免费的深度学习开发环境 Google Colab Notebooks，方便利用免费 GPU 进行实践。 * **端到端深度学习项目：** 从零开始开发一个深度学习应用程序，包括构建用户界面。 * **数据增强（Data Augmentation）：** 深入探讨如何扩充有限的数据集，以及 fastai 和 PyTorch 如何支持各种数据增强技术。 * **项目流程：** * 自动化收集训练数据集。 * 使用神经网络构建深度学习模型。 * 使用验证数据集测试模型。 * 将模型部署为免费的 Web 应用程序。 * **底层原理深入分析：** * 详细介绍训练深度学习模型的各个步骤，并用纯 Python 代码实现，以理解深度学习背后的工作原理。 * 解释模型“学习”过程中发生的事情。 * 区分模型指标（如准确率）和损失函数（如均方误差），并解释为何两者都必需。 * Dataloader 如何帮助处理训练数据。 * 神经网络权重的初始化。 * 训练过程中权重的变化。 * 如何使用 PyTorch 计算神经网络权重的梯度。 * 从头开始实现梯度下降算法，并集成 Mini-Batches 达到随机梯度下降。 * 实现自定义 PyTorch 优化器。 * 解释构建复杂神经网络为何需要“非线性”。 * 介绍激活函数（如 ReLU）的作用。 * 如何使用混淆矩阵评估模型结果。 * 多标签分类器的实现原理。 **资源：** * 课程中所有代码均通过 GitHub 提供，可直接在 Google Colab 中打开和运行。 kurs-repository 链接可在课程资源中找到。 **注意：** * 本课程内容与 Jannis Seemann 的机器学习课程内容相似，但侧重于使用 PyTorch 和 fastai 框架。
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 undDeployment unser Modell als Webapplikation kostenfrei im InternetDanach 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" undintegrieren 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.
