Kursbeschreibung
Neuronale Netze sind zu einem festen Bestandteil des maschinellen Lernens geworden und können in einer Vielzahl von Anwendungen eingesetzt werden, von der Bildverarbeitung bis zur Verarbeitung natürlicher Sprache. In diesen Lektionen werden Sie die grundlegenden Konzepte neuronaler Netze kennenlernen, einschließlich künstlicher neuronaler Netze (ANNs) und der Methode der kleinsten Quadrate. Sie werden erforschen, wie man ein ANN mit TensorFlow aufbaut und wie man die Methode der kleinsten Quadrate verwendet, um seine Leistung zu optimieren.
Im weiteren Verlauf werden Sie sich mit den Convolutional Neural Networks (CNNs) beschäftigen, einer Art von neuronalen Netzwerken, die häufig in der Bildverarbeitung eingesetzt werden. Sie lernen die verschiedenen Schichten in einem CNN kennen, wie z. B. die Faltungsschicht, die Pooling-Schicht und die Flatten-Schicht, sowie deren Hauptanwendung in der Bildverarbeitung. Sie werden auch die verschiedenen Anwendungen von CNNs entdecken, wie z. B. Bilderkennung und Objekterkennung.
Insgesamt erhalten Sie ein grundlegendes Verständnis der verschiedenen Konzepte und Techniken, die beim Aufbau neuronaler Netze verwendet werden, sowie die notwendigen Fähigkeiten, um sie in Ihren Projekten anzuwenden.
Was Sie lernen werden
- Verstehen Sie die grundlegenden Konzepte neuronaler Netze, einschließlich künstlicher neuronaler Netze (ANNs) und der Least-Squares-Methode
- Erstellen Sie ein künstliches neuronales Netzwerk (ANN) mit TensorFlow
- Wenden Sie die Least-Squares-Methode an, um die Leistung eines ANN zu optimieren
- Erkunden Sie Convolutional Neural Networks (CNNs) und die Schichten, die in ihnen verwendet werden, einschließlich der Convolutional-, Pooling- und Flatten-Schichten
- Identifizieren Sie Anwendungen von CNNs wie Bilderkennung und Objekterkennung
Wichtige Erkenntnisse
- Neuronale Netze sind ein wesentlicher Bestandteil des maschinellen Lernens und können in Anwendungen eingesetzt werden, die von der Bildverarbeitung bis zur Verarbeitung natürlicher Sprache reichen.
- Künstliche neuronale Netze (ANNs) können mit TensorFlow erstellt werden, und die Least-Squares-Methode kann verwendet werden, um ihre Leistung zu optimieren.
- Convolutional Neural Networks (CNNs) sind eine Art von neuronalen Netzen, die häufig in der Bildverarbeitung verwendet werden.
- Ein CNN verwendet verschiedene Schichten, einschließlich der Convolutional-Schicht, Pooling-Schicht und Flatten-Schicht, jede mit einer primären Anwendung in der Bildverarbeitung.
- CNNs haben Anwendungen wie Bilderkennung und Objekterkennung.
Häufig gestellte Fragen
Was werde ich in diesem Kurs lernen?
Sie lernen die grundlegenden Konzepte neuronaler Netze, einschließlich künstlicher neuronaler Netze (ANNs) und der Least-Squares-Methode, wie Sie mit TensorFlow ein ANN erstellen, wie Sie dessen Leistung mit der Least-Squares-Methode optimieren, und die Grundlagen von Convolutional Neural Networks (CNNs), die in der Bildverarbeitung verwendet werden.
Ist dieser Kurs für Anfänger geeignet?
Ja. Der Kurs bietet ein grundlegendes Verständnis der verschiedenen Konzepte und Techniken, die beim Erstellen von neuronalen Netzen verwendet werden, sowie der erforderlichen Fähigkeiten, um sie in Ihren Projekten anzuwenden.
Was sind Convolutional Neural Networks (CNNs), die in diesem Kurs behandelt werden?
CNNs sind eine Art von neuronalen Netzen, die häufig in der Bildverarbeitung verwendet werden. Der Kurs behandelt die verschiedenen Schichten, die in einem CNN verwendet werden, wie die Convolutional-Schicht, Pooling-Schicht und Flatten-Schicht, sowie Anwendungen wie Bilderkennung und Objekterkennung.
Welche Themen behandeln die Lektionen?
Die Lektionen behandeln Modelltypen, künstliche neuronale Netze und Convolutional Neural Networks.
Welche Fähigkeiten werde ich durch diesen Kurs gewinnen?
Sie werden Fähigkeiten in künstlichen neuronalen Netzen, Deep Learning, Deep-Learning-Methoden, Imagenet, Neural Engineering und TensorFlow aufbauen.
