Kann ich Deep Learning ohne teure Grafikkarte lernen?

Ja. Google Colab und ähnliche Dienste stellen GPU-Umgebungen im Browser bereit – viele Kurse hier setzen genau darauf, und die Übungsdatensätze sind so gewählt, dass ein Training in Minuten läuft. Eine eigene GPU lohnt erst, wenn du regelmäßig eigene Modelle über Stunden trainierst oder mit größeren Datensätzen arbeitest.

Wie tief muss ich in die Mathematik neuronaler Netze einsteigen?

Für die Anwendung genügen ein Gefühl für Matrizen und Ableitungen – und keine Scheu vor Formeln. Wer verstehen will, warum ein Netz lernt, braucht lineare Algebra und etwas Analysis – mehrere Kurse hier bauen genau das nebenbei auf, und ein eigener Mathematik-Grundlagenkurs steht bei Data Science & Machine Learning.

Machine Learning oder gleich Deep Learning?

Deep Learning ist ein Teilgebiet des Machine Learning und lohnt sich vor allem bei Bildern, Sprache und Audio. Für tabellarische Daten – der Normalfall in Unternehmen – sind klassische Verfahren wie Gradient Boosting oft besser und deutlich sparsamer. Ein Grundkurs Machine Learning zuerst hilft, diese Entscheidung selbst treffen zu können.

Wo lernt man Computer Vision oder NLP gezielt?

Beides ist hier in eigenen Kursen vertreten: OpenCV und CNNs für Bilder, spaCy-, Transformer- und NLU-Kurse für Sprache. Sinnvoll ist ein allgemeiner Deep-Learning-Kurs davor – Datenaufbereitung, Training und Evaluation sind für beide Felder dieselben Handgriffe.

Deep Learning & Neuronale Netze

Online-Kurse im Fachbereich Daten & KI

Neuronale Netze von der Mathematik bis zum trainierten Modell: TensorFlow und Keras, PyTorch und fastai, dazu die Anwendungsfelder Bilderkennung (CNNs), Sprachverarbeitung (NLP, Transformer), Reinforcement Learning und generative Netze. Die Kurse setzen Python voraus – die klassischen Verfahren und die Statistik davor stehen unter Data Science & Machine Learning.

Machine Learning: Grundlagen künstlicher neuronaler NetzeIm Grundkurs Künstliche Neuronale Netze erwerben Sie ein fundiertes und praxisnahes Verständnis im Umgang mit künstlichen neuronalen Netzen, die eine zentrale Rolle im Bereich des Machine Learning spielen. Der Kurs vermittelt Ihnen Schritt für Schritt das nötige Wissen – beginnend bei den grundlegenden Begriffen und Definitionen über die historischen Ursprünge bis hin zu den modernen Ansätzen, die heute in Forschung und Industrie angewendet werden. Sie lernen nicht nur, wie neuronale Netze aufgebaut sind, sondern auch, wie sie funktionieren und welche Prinzipien hinter ihrem Lernen stehen. Ein besonderer Fokus liegt dabei auf dem mathematischen Fundament, das für das Verständnis neuronaler Netze erforderlich ist. Kleine Modelle werden zunächst mathematisch beschrieben, und wichtige Konzepte wie Aktivierungsfunktionen, Gewichtungen, Verlustfunktionen und Optimierungsverfahren werden Schritt für Schritt erklärt. So bauen Sie nach und nach das nötige mathematische Wissen auf, um komplexere Netzwerke später eigenständig zu verstehen und zu implementieren. Neben der theoretischen Basis legt der Kurs großen Wert auf praktische Anwendung. Sie lernen die gängigen Machine-Learning-Frameworks kennen, deren Funktionsweise, Unterschiede und typische Einsatzgebiete. Zahlreiche praxisnahe Übungen helfen Ihnen dabei, die Theorie direkt in die Praxis umzusetzen. Darüber hinaus erhalten Sie wertvolle Einblicke in wichtige Prozesse, Best Practices und ethische Fragestellungen rund um den Einsatz von Künstlicher Intelligenz. Damit werden Sie nicht nur technisch kompetent, sondern auch reflektiert im Umgang mit dieser zukunftsweisenden Technologie.
0. GenAI: Master in Data ScienceEinführung in Generative KIDu lernst die grundlegenden Prinzipien generativer Modelle, ihre Anwendungen und die Arten von Problemen kennen, die sie in der Datenwissenschaft lösen. Bewertung generativer Modelle und LLMsDu lernst, wie man die Qualität von Modellausgaben anhand von Kriterien wie Kohärenz, Relevanz, Faktengenauigkeit und automatischen Textmetriken misst. Grundlagen von LLMs und Prompt EngineeringDu erforschst, wie Sprachmodelle funktionieren, wie man effektive Prompts strukturiert und wie man ihre Antworten an verschiedene Kontexte anpasst. Datenverarbeitung für generative ModelleDu entdeckst Strategien zur Vorbereitung von Texten, Bildern und Dokumenten, um deren Nutzung bei Generierung und Abfrage zu erleichtern. Inference, Fine-Tuning und EmbeddingsDu analysierst, wie man Modelle feinabstimmt, Embeddings verwendet und Techniken wie Few-Shot und Fine-Tuning für maßgeschneiderte Lösungen einsetzt. RAG, semantische Suche und MultimodalitätDu lernst, wie man Informationsabruf, kontextuelles Denken und multimodale Analyse in praktische Anwendungen integriert. PraxisprojekteRechnung-zu-Excel-Konvertierung: Du entwickelst einen automatisierten Workflow, der wichtige Daten aus PDF-Rechnungen extrahiert und strukturierte Berichte in Tabellen erstellt. Juristischer Berater mit Dokumenten: Du implementierst einen LLM-basierten Assistenten, der rechtliche Fragen anhand juristischer Texte im PDF-Format beantwortet. Bildbeschreibung mit Text: Du entwirfst ein Modell, das Bilder analysiert und automatische Beschreibungen generiert, um Interpretation und Suche zu erleichtern. SQL-Abfragen mit RAG: Du baust ein Tool, das Datenbankabfragen in natürlicher Sprache ermöglicht und RAG nutzt, um die Ergebnisse zu verbessern.
Neuronale Netze verstehen! Eine Reise durch die MathematikEin komplett anderer didaktischer Ansatz! Wie entsteht eine KI-Anwendung (z. B. ChatGPT, Sprachverarbeitung, Erkennen von Bildern, Wettervorhersage, Umsatzwachstum)? Richtig: Durch maschinelles Lernen? Wie aber lernt eine Maschine? Daten sammeln und bereinigen (z. B. Texte, Messdaten, Bilder, demographische Daten)Diese Daten anhand eines Neuronalen Netzes verarbeitenEs wird ein Model "trainiert"Auf Basis des Models kann dann eine KI-Anwendung erstellt werdenIm Kurs wird ein komplett neuer Ansatz gewählt, um die Welt des maschinellen Lernens zu verstehen. Wir konzentrieren uns im Kurs auf die komplexen Teile (2) und (3). Dieses Wissen weiterzugeben ist eine echte Herausforderung, da es am schwersten zu lernen und zu verstehen ist. Aber keine Sorge. Hierzu machen wir eine Zeitreise durch die Mathematik: Vom Kleinen zum GroßenWir werden kleine Puzzleteile bedeutender Mathematiker verstehen lernen: Steigung einer GeradenSteigung einer KurveAbleitungMethode der kleinsten Quadrateetc. Zu den einzelnen Mathematikern wie Pierre de Fermat, Isaac Newton, Friedrich Leibniz etc. habe ich kleine, unterhaltsame Anekdoten eingebaut. Dies hilft, besser das Gelernte abzuspeichern und einzuordnen. Diese Puzzleteile der Mathematiker werden dann zusammengesetzt und bilden die Grundlage für das Verständnis neuronaler Netze. Wer KI verstehen will, ohne sich auf bloße Schlagworte zu verlassen, findet hier einen Einstieg, der wirklich Substanz hat. Definitiv keine Folien-Schlacht, sondern ein Vortrag mit echtem Erkenntnisgewinn.
Machine Learning: Natural Language Processing mit PythonMöchtest du die Themen Machine Learning, Deep Learning und speziell Natural Language Processing endlich verstehen und deiner Neugier nachgehen? Dann ist dieser Kurs genau das Richtige für Dich! NLP mit Python: Deep Learning, Marchine Learning, N-Gram, Word Embedding, Viterbi, Rekurrente Neuronale Netze (RNN), Markov, Naive Bayes, Word2Vec, ChatGPT, Neuronale Netze, KI, Long short term memory (LSTM), Seq2Seq, Transformer / Large Language Models (LLMs), PyTorch, Numpy... Hast du dich schonmal gefragt wie es wäre...eine der nachgefragtesten Fähigkeiten in 2024 zu lernen?endlich das komplexe Thema NLP zu verstehen?dahinter zu blicken wie ChatGPT funktioniert? Mit diesem Kurs bekommst du dein Komplettpaket für das Thema Natural Language Processing und allem was dazu gehört: Abschnitt 1: IntroductionIn diesem Auftakt des Kurses begrüßt dich Philipp, dein Dozent, und gibt dir einen Vorgeschmack darauf, was dich erwartet. Er skizziert die faszinierende Welt des Natural Language Processing mit Python und zeigt dir, welche spannenden Einblicke und Fähigkeiten du in den kommenden Abschnitten erlangen wirst. Abschnitt 2: Download der KursmaterialienBevor es richtig losgeht, ist es wichtig, die richtigen Werkzeuge zu haben. Hier lernst du, wie du Anaconda herunterlädst und einrichtest, um eine effiziente Programmierumgebung für den Kurs zu schaffen. Abschnitt 3: Einleitung NLPNun tauchst du ein in die Grundlagen des Natural Language Processing. Von den grundlegenden Definitionen über die Entwicklung von statistischen Ansätzen bis hin zum aktuellen Zeitalter des Deep Learnings erforschst du, warum Sprachverarbeitung so herausfordernd und gleichzeitig faszinierend ist.
Emotionen in Stimmen erkennen mit PyTorch und wav2vec2In diesem Kurs zeige ich euch, wie ihr ein Modell trainiert, das sieben Emotionen in Sprache erkennen kann, konkret in Audiodateien des Formats wav. Die Datengrundlage schaffen wir uns, indem wir einen entsprechenden, freien Datensatz (Berlin Database of Emotional Speech) besorgen, formatieren, mit Labels versehen und in einem Dataset bereitstellen. Für das Training selber wird Meta's wav2vec2 als Foundation Modell genutzt und gezeigt, wir du das Modell auf den Task "Audio Classification" fine-tunen kannst. Dabei setzen wir auf die wav2vec2-Modellimplementierung von Huggingface auf und fügen einen Classification Head hinzu, den wir trainieren und evaluieren. Dadurch lernt ihr nicht nur, wie ihr Emotionen erkennt, sondern auch ein Training von Grund auf aufbaut und für weitere Klassifizierungsaufgaben verwenden könnt, etwa um Autos anhand ihrer Geräusche zu erkennen oder Situationen im Fußballstadion anhand der Geräuschkulisse per KI einzuschätzen. Ist das Modell trainiert, schreiben wir gemeinsam ein Inference-Script, um das Modell anzuwenden. Zum Schluss werden die Ergebnisse und mögliche Verbesserungen besprochen, um das Modell treffsicherer zu machen. Ihr sehr zusätzlich, wie ihr euer fertiges Modell auf dem Huggingface Hub veröffentlichen könnt, um so Lob und Feedback einzuholen. Als Voraussetzung solltest du in der Lage sein, Python Code zu lesen und zu schreiben und ein Grundverständnis für Deep Learning mitbringen.
Machine Learning/Künstliche IntelligenzHier baust du dein erstes Modell das Bilder erkennen kann, mit wenig Zeilen Code ist das Modell fertig, in nicht mehr als 15 min ? Wir werden den Berühmten Machine Learning Modell VGG 19 von dem Hause Google Keras/Tensorflow ausprobieren. Ich zeige dir welche Library du importieren musst, und wie man Sie anwendet. Wie man die Library/Module importiertWie man Bilder lädt Du wirst lernen wie man Bilder in Arrays umwandelt.wie man die Arrays in einem 3 Dimensonales Netz umwandeltWie man die Daten Reinigt durch den sogenannten PreprocessingWie man das Modell deine Vorhersage/Bild erkennt und das ergebnis anzeigtsomit hast du ein Einblick über das die Künstliche Intelligenz gewonnen und kannst evtl. das erlernte auch anweden, natürlich bist danach kein Experte,somit hast du schon mal rein geschnuppert in das Thema ob das Thema was für dich ist oder nicht. Und danach kannst du dich entscheiden ob du dich für weitere Kurse einschreibst oder nicht. Bitte verzeiht falls dieser Kurs keine gute Qualität bietet, es ist auch mein erster Kurs den ich hier auf Udemy halte, deshalb biete diesen Kurs auch Kostenlos an. Viel Spaß mit dem kurz Kurs und würde mich über ein Feedback was ich besser machen kann, wie und was hat dir an diesem Kurs gefallen freuen.
Transformer Modelle und Deep LearningDieser Kurs beschäftigt sich mit dem Thema Encoder-Decoder-Modellarchitekturen im Deep Learning und darauf basierenden Anwendungsfällen im Bereich Natural Language Understanding. Wir besprechen, wie Encoder-Decoder Modelle (insbesondere Transformer Modelle wie GPT2 oder BERT-Architekturen) aufgebaut sind und welche Schritte während des Trainings eines solchen Modells ablaufen. Der große Nutzen dieser vortrainierten Modellarchitekturen besteht in der Anwendung des Transfer-Learning Konzepts. Das bedeutet, wir können uns riesige, vortrainierte Modellarchitekturen zu Nutze machen und mit relativ wenig Aufwand für unseren konkreten Anwendungsfall trainieren. Wie können wir mittel one-shot-classification Texte einer bestimmten Kategorie zuordnen? Wie integrieren wir Modelle aus dem Hugging Face Projekt in unsere eigenen Deep Learning Projekt auf Basis der fastai Bibliothek? Neben dem theoretischen Input entwickeln wir anhand von Jupyther Notebooks Anwendungsbeispiele und gehen den implementierten Code unserer KI-Anwendungen Schritt für Schritt gemeinsam durch.
Stimmen klonen mit Deep Learning in PythonDeep Learning ist dafür bekannt, bahnbrechende Ergebnisse in verschiedensten Disziplinen zu liefern - so auch in der Erzeugung von Sprache aus Text, dem sogenannten Text-To-Speech. In diesem Kurs werdet ihr lernen, wie man beliebige Stimmen klont und eine Anwendung schreibt, die mit einer kurzen Audioaufnahme einer Stimme und einem Text eine Audiodatei erzeugt, die genau diesen Text mit der angegebenen Stimme spricht. Kernthemen dieser Disziplin sind: Beschaffung und Formatierung der Trainingsdaten, um die neuronalen Netze zu trainieren. Durchführung des Trainings eines Encoders zur Erzeugung eines Embeddings für die Stimmen der SprecherDurchführen des Trainings eines Synthesizers zur Erzeugung von Phonemen und Mel SpektrogrammenDurchführung des Trainings eines Vocoders zur Generierung von Wave-Daten aus Mel SpektrogrammenIst das geschafft, zeige ich euch, wie ihr die Modelle in einer UI ladet oder sie einfach per Python API aufruft. Wir werden in diesem Kurs auf der Arbeit von Corentin Jemine (Real Time Voice Cloning) aufsetzen, um nicht ganz von vorne beginnen zu müssen. Wenn ihr das Framework bereits kennt, wird euch dieser Kurs bei der Anwendung auf die deutsche (oder jede beliebige andere) Sprache helfen. Alle Werkzeuge, die wir verwenden, sind frei zugänglich und open-source, sodass ihr bei Bedarf jede Funktion bis in ihre tiefsten Tiefen nachvollziehen könnt. Ein kleiner Hinweis am Schluss: Dieser Kurs ist dafür gedacht Stimmen zu klonen, von deren Besitzern ihr die Zustimmung habt.
Tensorflow für Python ProgrammiererDieser Kurs bietet einen Einstieg zum berühmten Framework Tensorflow 2 von Google, welches weltweit für neuronale Netze genutzt wird. In der neuesten Version ist nun auch Keras enthalten und bietet eine einfache Schnittstelle zu einem sehr komplexen Thema. So können schwere Projekte schnell und intuitiv realisiert werden. In diesem Kurs werden einige Praxisprojekte erstellt, welche verschiedene und ähnliche Herangehensweisen an* Bilderkennung* Bildgenerierung* Texterkennung* Plotting* Speichern von Zuständen* und mehrbietet. Die Projekte finden auf bekannten, berühmten Datensätzen statt. Jeder muss zur Bilderkennung den MNIST Datensatz genutzt haben. Es gibt jedoch auch Abwandlungen wie den Fashion Mnist Datensatz. Bildgenerierung mit GANs - Generative Adversarial Networks - ist mit Deepfakes allgegenwärtig, es scheint nur um so wichtiger, sich mit solchen Themen auseinanderzusetzen. Texterkennung ist ein ebenso spannendes Thema, etwa mit dem Imdb Datensatz, welcher Reviews enthält, die natürlich eine gewisse Stimmung enthalten. All das und noch vieles mehr können neuronale Netze lernen. Der Kurs wird zudem natürlich ständig erweitert werden um weitere Projekte - etwa mehr vom selben zur Übung oder aber neues wie Videoerkennung. Dazu benötige ich euer Feedback, damit ich den Kurs noch besser gestalten kann. Weitere mögliche Themen sind:* Videoerkennung* Videogenerierung* Audio* Reinforcement Learning an Spielen und mehrDaher - schnell zuschlagen, lange profitieren, denn der Kurs wächst dynamisch. Dazu gehören selbstverständlich auch die übliche 30-Tage Rückgabegarantie und lebenslanger Zugriff.
Deep Dive in das fastai Deep Learning FrameworkDieser Spezialkurs widmet sich ganz den Details im fastai deep learning Framework. Mit dem fastai Deep Learning Framework haben wir ein sehr durchdachtes und einfach zu verwendendes Framework, das auf dem PyTorch Framework aufsetzt an der Hand. Viele Standardprobleme können mithilfe von fastai in nur wenigen Zeilen Code so gelöst werden, dass wir state-of-the-art Ergebnisse mit nur sehr kurzen Trainingszeiten erhalten. In diesem Kurs steigen wir jedoch eine Stufe hinab und sehen uns an, wie diese einfachen Dinge im fastai Framework implementiert sind. Wir analysieren den Sourcecode und programmieren wesentlichen Elemente, die zum Aufbau eines tiefen neuronalen Netzes erforderlich sind nach. Wesentliche Elemente, denen wir uns in diesem Kurs zu künstlicher Intelligenz und Deep Learning widmen: Aufbau des CNN-Learners (für Convolutional Neural Networks) in fastaiEinsatz des UNET-LearnersUmsetzung des Siamese Twin Problems mithilfe von fastaiAufbau des Trainingsprozesses im Fastai FrameworkImplementieren von SGD - Stochastic Gradient DescentOptimierungen von SGD wie Momentum und Weight DecayAlternative Optimizer für Deep Learning wie Adam oder RMS PropDie Umsetzung des Callback-Patterns im Fastai-FrameworkWie werden Callbacks zur Individualisierung des Trainingsprozesses neuronaler Netze in fastai verwendet? Wie können wir mithilfe von Callbacks einen individuellen Trainingsprozess für unsere KI-Algorithmen in Fastai umsetzen?
Convolutional Neural Networks - Hinter den KulissenToll, dass du dich für Convolutional Neural Networks interessierst! Wir freuen uns, dich auf unserer Kursseite begrüßen zu dürfen! Convolutional Neural Networks (CNNs) - eine Spezialform von neuronalen Netzen) stellen heute den Goldstandard für die Verarbeitung von Bilddaten im Bereich der künstlichen Intelligenz dar! In diesem Spezialkurs gehen wir in der Tiefe auf die verschiedenen Elemente und LayerTypen in Convolutional Neural Networks ein. Dafür setzten wir die Werkzeuge der beiden Deep Learning Frameworks PyTorch und fastai ein und implementieren die einzelnen Layer selbst mithilfe von purem Python Code nach. Insbesondere behandeln wir folgende Themenbereiche: Aufbau von Convolutional Neural Networks in der Theorie und PraxisDie Convolution: Wir programmieren einen Convolutional Pooling Layer (Conv2d)Berechnung von Paddings und Strides bei ConvolutionsDie mathematischen Gleichungen hinter ConvolutionsWie ist der CNN-Learner aus dem fastai Framework aufgebaut? Welche Theorien und Funktionalitäten sind in der 1cycleTraining Methode vom fastai Framework enthalten? Warum hilft das Konzept der Batch Normalization einem Convolutional Neural Network, das Training zu beschleunigen? Was ist eine Residual Network Architektur (ResNet) und wofür kann ich diese einsetzen? Wir implementieren unser eigenes Resdiual Net Model sowohl mithilfe von PyTorch wie auch mit reinem Python Code. Skip Connections ist ein Konzept, das Residual Networks optimieren kann. Wir analysieren, was Skip Connections darstellen und wie wir diese in unserem Modell implementieren können.
NLU - Natural Language Understanding mit PyTorch und FastaiNatural Language Understanding (die Verarbeitung natürlicher Sprache) ist ein Teilbereich der künstlichen Intelligenz (Artificial Intelligence), der darauf aufbaut, menschliche Sprache zu verstehen und zu manipulieren. Die Techniken aus NLU (Natural Language Understanding) bzw. NLP (Natural Language Processing) zielen darauf ab, die Lücken zwischen menschlicher Kommunikation und den Sprachverarbeitungsfähigkeiten von Computersystemen zu schließen. Dafür setzt man eine große Anzahl verschiedener Disziplinen ein, wie unter anderem Informatik oder auch Linguistik. Diesen Kurs solltest du buchen, wenn du:selbst Texte automatisiert analysieren möchtestSysteme mit künstlicher Intelligenz entwickeln möchtest, die Texte klassifizieren könnenendlich verstehen willst, was sich hinter den Bezeichnungen LSTM (Long Short Term Memory) und auch RNN (Recurrent Neural Networks) verbirgtselbst erkennen willst, was es bedeutet, wenn die Gradienten eines neuronalen Netzes explodieren (exploding gradients) oder verschwinden (vanishing gradients).einen Klassifizierer für Bewertungen von Kinofilmen implementieren möchtest, der selbständig positive von negativen Reviews unterscheiden kann. Weitere Themen, die wir in diesem Kurs betrachten werden sind: Tokenization, Numericalisation, Backpropagation in Time (bppt), Sub Batches, Multilayer RNNs, u.v.m. Die Verarbeitung natürlicher Sprache ist eine Technologie, die sich in den letzten Jahren aufgrund von immer größeren Datenmengen und höheren Rechenleistungen, enorm weiterentwickelt hat.
Neuronale Netze Optimieren und Evaluieren mit Tensorflow 2Deep Learning ist eines der angesagtesten Themen weit und breit. Insbesondere wird Deep Learning und Künstliche Neuronale Netze in vielen Technologien in deinem Umfeld eingesetzt, um dir ein noch angenehmeres Leben zu ermöglichen. Mithilfe diesen Praxis-Kurs bringe ich dir bei wie man erkennen kann, ob Neuronale Netze schlecht performen. Du lernst an welchen Metriken du die Genauigkeit eines Netzes messen kannst. Natürlich lernst du auch Techniken wie du die Performance des Netzwerkes untersuchen und natürlich optimieren kannst! Das wirst du Lernen: Lerne die Grundlagen von PythonNutze NumPy, um Berechnungen durchzuführen und Daten zu generierenErkenne Ursachen von schlechter Performance deiner Neuronalen NetzeNutze Tensorflow Callbacks um deine Netze zu optimierenNutze Techniken wie Data Augmentation, Normalisierung & mehrLerne wie du Overfitting und Underfitting im Netzwerk vermeidestLerne wie du die richtige Topologie deines Netzwerks wählst. Analyse deine Netze mit Tensorboard und CallbacksWarum solltest du Tensorflow lernen? Tensorflow wird von den "Big Five" Unternehmen wie Apple, Google, Facebook, Amazon und Microsoft in vielen ihrer Produkte eingesetzt, um Machine Learning noch effizienter zu nutzen! Ebenfalls werde ich ihn auch immer auf dem neusten Stand der Technik und Wissenschaft halten. Lerne wie du Tensorflow meisterst und schreibe dich JETZT ein! Warum solltest du Tensorflow lernen? Tensorflow wird von den "Big Five" Unternehmen wie Apple, Google, Facebook, Amazon und Microsoft in vielen ihrer Produkte eingesetzt, um Machine Learning noch effizienter zu nutzen! Ebenfalls werde ich ihn auch immer auf dem neusten Stand der Technik und Wissenschaft halten. Lerne wie du Tensorflow meisterst und schreibe dich JETZT ein!
Welcome2KI Teil 3: KI Deep Learning Projekte selbst umsetzenDer 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.
Natural Language Processing für Data Science mit PythonWillkommen zum Natural Language Processing Kurs! Dieser Kurs wurde als deine vollständige Online-Anleitung entworfen, um dir die Verwendung von Natural Language Processing mit der Programmiersprache Python zu erklären. "Es wird alles sehr verständlich erklärt und die Stimme ist sehr angenehm." (★★★★★L. Lafleur)Wir beginnen mit den Grundlagen, du wirst lernen wie man Text- und PDF-Dateien mit Python öffnet und damit arbeitet, und lernen wie man Regular Expressions verwendet, um nach benutzerdefinierten Mustern innerhalb von Textdateien zu suchen. Danach sehen wir uns die Grundlagen von Natural Language Processing an. Dafür werden wir die Natural Language Toolkit Bibliothek für Python verwenden, sowie die neueste Version der SpaCy Bibliothek für schnelle Tokenisierung, Parsing, Entity Recognition und Lemmatisierung von Text. Du wirst fundamentale NLP Konzepte verstehen, wie zum Beispiel Wortstammerkennung (Stemming), Lemmatisierung, Stopp-Wörter, Phrasenabgleich, Tokenisierung und mehr! Danach schauen wir uns Part-of-Speech Tagging an, wobei deine Python Skripte in der Lage sein werden, Wörter im Text automatisch den zugehörigen Sprachbestandteilen (z. B. Nomen, Verben und Adjektive) zuzuordnen, was ein wesentlicher Bestandteil beim Erstellen intelligenter Sprachsysteme ist. Wir werden auch mehr über Named Entity Recognition erfahren, was es deinem Code möglich macht, Konzepte wie Geld, Zeit, Unternehmen, Produkte und mehr zu verstehen, nur auf Basis der Textinformation. Durch aktuellste Visualisierungs-Bibliotheken können wir diese Beziehungen in Echtzeit beobachten. Dann werden wir dazu übergehen, Machine Learning mit Scikit-Learn zu verstehen, um Textklassifizierung auszuführen. Unter anderem werden wir die automatische Erstellung von Machine Learning Systemen behandeln, die positive von negativen Filmkritiken unterscheiden können, oder Spam von echten Emails.
Python für Computer Vision und Data Science mit OpenCVWillkommen beim ultimativen Onlinekurs für Python und Computer Vision! Dieser Kurs ist deine beste Quelle, um die Verwendung der Programmiersprache Python für Computer Vision zu lernen. Wir werden erkunden, wie man Python und die OpenCV (Open Computer Vision) Bibliothek verwendet, um Bilder und Videodaten zu analysieren. Die beliebtesten Plattformen weltweit generieren nie zuvor gesehene Mengen an Bild- und Videodaten. Alle 60 Sekunden laden Benutzer mehr als 300 Stunden Videomaterial auf YouTube hoch, streamen Abonnenten von Netflix 80.000 Stunden Videomaterial und liken Instagram Benutzer über 2 Millionen Fotos! Heute mehr als je zuvor besteht die Notwendigkeit für Entwickler, die benötigten Kompetenzen zu erlernen, um mit Bild- und Videodaten mithilfe von Computer Vision zu arbeiten. Computer Vision erlaubt es uns, Bild- und Videodaten zu analysieren und wirksam einzusetzen, mit Anwendungen in einer Vielzahl von Industriebranchen, darunter selbstfahrende Autos, Apps von sozialen Netzwerken, medizinische Diagnostik, und viele mehr. Als die am schnellsten an Beliebtheit gewinnende Programmiersprache ist Python gut geeignet, um die Macht bereits existierender Computer Vision Bibliotheken wirksam einzusetzen, um aus all diesen Bild- und Videodaten zu lernen. In diesem Kurs werden wir dir alles beibringen, was du brauchst, um ein Experte in Computer Vision zu werden! Diese 20 Milliarden Dollar Industrie wird in den kommenden Jahren einen der wichtigsten Arbeitsmärkte darstellen. Wir werden den Kurs damit beginnen, dass wir etwas über numerische Verarbeitung mit der NumPy Bibliothek lernen und wie man Bilder mit NumPy öffnet und bearbeitet. Dann werden wir mit der Verwendung der OpenCV Bibliothek zum Öffnen und Arbeiten mit Bildgrundlagen fortfahren. Danach werden wir untersuchen, wie man Bilder verarbeitet und eine Vielzahl von Effekten anwendet, darunter Farbmappings, Mischen, Schwellenwerte, Gradienten, und viele mehr.
Deep Learning: Neuronale Netze mit TensorFlow 2.0 und KerasDas sagen Teilnehmer über diesen Kurs:"Sehr aktiver Dozent der sich um die Kursteilnehmer und den Kurs kümmert. Der Tensorflow Kurs hat viele beispiele was mir geholfen hat Tensorflow und Keras besser zu verstehen. Ebenfalls sehr gut waren auch die Begriff erklärungen die einem sehr helfen ML als beginner zu lernen." - Ibrahim Akkulak"Ich würde den Kurs auf jeden Fall weiter empfehlen. Mehr Content als gedacht und sehr viele Erklärungen. Top!" - Erik Andrè Thürsam"Der Kurs gefällt mir ganz gut und bringt viele Beispiele ein. Der Saif beantwortet Fragen super schnell und ist sehr hilfsbereit. Empfehle den Kurs sehr für alle die Deep Learning mit vielen Praxisbeispielen lernen möchten." - Simon BehrensDeep Learning ist eines der angesagtesten Themen weit und breit. Insbesondere wird Deep Learning und Künstliche Neuronale Netze in vielen Technologien in deinem Umfeld eingesetzt, um dir ein noch angenehmeres Leben zu ermöglichen. Mithilfe diesen Praxis-Kurs bringe ich dir bei wie man Deep Learning mithilfe von Keras, Tensorflow und Python einsetzt. Du wirst eine gute Mischung von Theorie und Praxis in diesen Kurs erhalten. Viele der Techniken werden anhand von echten Praxis Projekte dir vermittelt. Warum solltest du Keras lernen? Keras wird von den "Big Five" Unternehmen wie Apple, Google, Facebook, Amazon und Microsoft in vielen ihrer Produkte eingesetzt, um Machine Learning noch effizienter zu nutzen! Ebenfalls werde ich ihn auch immer auf dem neusten Stand der Technik und Wissenschaft halten. Lerne wie du Keras meisterst und schreibe dich JETZT ein!
Deep Reinforcement Learning - einfach verstehenDeep Reinforcement Learning verbindet Deep Learning mit Reinforcement Learning - zwei Teilgebiete der künstlichen Intelligenz. Die Anwendung dieser Technik auf das komplexe Spiel Go hat einen Algorithmus hervorgebracht, der ohne Daten und ohne programmierte Spiel-Kenntnisse sich so gut selbst trainiert hat, dass er nach kurzer Zeit den besten Go-Spieler der Welt geschlagen hat. In diesem Kurs gehen wir diesem Phänomen Schritt-für-Schritt auf den Grund. Zunächst klären wir die Grundlagen der Künstlichen Intelligenz. Was steckt hinter Machine Learning, Reinforcement Learning, Neuronalen Netzen und Deep Learning? Dann werden wir autonomes Fahren als Anwendung von Reinforcement Learning kennen lernen. Danach führen wir Reinforcement Learning und Deep Learning zusammen und analysieren den Algorithmus, der den besten Go-Spieler der Welt geschlagen hat, im Detail. Man stelle sich vor, welche weiteren Probleme mit einem solch mächtigen Algorithmus noch gelöst werden könnten... Und das Beste: Man versteht nach diesem Kurs einfach wie es funktioniert!
KI & Reinforcement Learning in Python – mit TensorFlow 2Tauche ein in die spannende Welt der Künstlichen Intelligenz und des Reinforcement Learnings – praxisnah und verständlich mit Python, TensorFlow 2 und Keras! In diesem Kurs lernst du, wie du deine eigene KI entwickelst, die eigenständig handelt, lernt und sich an ihre Umgebung anpasst – z. B. durch das Meistern kleiner Simulationen und klassischer Atari-Spiele. Von den Grundlagen bis zur konkreten Umsetzung: Du wirst Schritt für Schritt an moderne KI-Systeme herangeführt. Zunächst erhältst du eine fundierte Einführung in Machine Learning und Deep Learning, um die theoretischen und mathematischen Konzepte zu verstehen. Danach lernst du den praktischen Umgang mit den wichtigsten Tools: TensorFlow, Keras und Gym. Im Fokus steht dann das Reinforcement Learning (RL) – eine Schlüsseltechnologie der modernen KI. Du wirst verschiedene RL-Techniken kennenlernen und in eigenen Projekten umsetzen, z. B. mit Q-Learning, Deep Q-Networks (DQN) und Policy-Gradient-Methoden. Am Ende des Kurses wirst du eine KI bauen, die selbstständig lernt, Entscheidungen trifft und Spiele meistert. Perfekt, um praktische Erfahrungen in einem der spannendsten Bereiche der KI zu sammeln! Das lernst du im Kurs: Grundlagen von Machine Learning & Deep LearningEinstieg in TensorFlow 2, Keras und das OpenAI GymEinführung in das Reinforcement LearningAnwendung moderner RL-Techniken: Q-Learning, DQN & mehrEntwicklung einer eigenen KI für SimulationenUmsetzung einer Atari-Spiel-KI (z. B. CartPole, Breakout)Starte jetzt durch in der Technologie von morgen – mit praxisnahen KI-Projekten!
AI Bildgenerator: Deep Learning mit GANs & TensorFlow [2026]Meistere Generative AI: GANs, Autoencoder & Adversarial Attacks mit TensorFlow! Du willst verstehen, wie KI-Bildgeneratoren wie DALL-E oder Stable Diffusion funktionieren und eigene entwickeln? Dieser praxisorientierte Kurs führt dich in die kreative Seite der Künstlichen Intelligenz ein – mit Generativen Neuronalen Netzwerken (GANs), Autoencodern und Adversarial Attacks. Mit Python, TensorFlow 2.14 und Keras entwickelst du Schritt für Schritt eigene Deep-Learning-Modelle, die realistische Bilder generieren, Daten komprimieren und sogar trainierte Netzwerke "hacken" können. Was du lernst: Deep Learning GrundlagenNach einer Einführung in Machine Learning und Deep Learning baust du eigene neuronale Netze auf – von klassischen Deep Neural Networks bis zu hochmodernen generativen Architekturen. Generative Adversarial Networks (GANs)Du verstehst die GAN-Theorie und implementierst verschiedene Varianten: Standard GAN für GrundkonzepteDeep Convolutional GAN (DCGAN) für BildgenerierungConditional GAN (CGAN) für kontrollierte GenerierungAutoencoder-TechnikenLerne Datenkomprimierung mit klassischen Autoencodern und entwickle Variational Autoencoder (VAE) zur Generierung realistischer, neuer Daten. Adversarial AttacksVerstehe, wie neuronale Netze durch gezielte Angriffe ausgetrickst werden können und wie man sich dagegen schützt – ein wichtiges Thema für KI-Sicherheit. Praxisorientiertes Lernen: 6.5 Stunden hands-on Content mit zahlreichen Coding-Sessions. Du setzt die Theorie direkt in die Praxis um und entwickelst funktionierende KI-Modelle, die du sofort verwenden kannst. Für wen ist dieser Kurs?
Deep Learning, Neuronale Netze & AI: Der KomplettkursBewertungen von Kursteilnehmern:"Der absolute Wahnsinn unter den Kursen!!! [...]" (★★★★★, Frank Meyer)"Ich habe bereits schon mehrere Kurse in dieser Richtung absolviert und der gehört zu den Besten." (★★★★★, Mederitsch Patrick)Kursbeschreibung: Dieser Kurs macht dich fit auf deinem Weg zum Deep Learning- und AI-Spezialisten. Alle Themen werden anschaulich und am Beispiel erklärt - dadurch ist dieser Lehrgang besonders leicht verständlich. Zudem beherrscht du nach Abschluss des Kurses problemlos Tools wie Jupyter, Keras, Tensorflow 2 umgehen - das ist wichtig, wenn du das Wissen später auf eigene Projekte anwenden möchtest. Hier lernst du:... wie Neuronale Netze funktionieren... wie Neuronale Netze Objekte in Bildern erkennen können... wie mit Hilfe von Deep Learning Kunstwerke erstellt werden können... wie du eine Artificial Intelligence erstellen kannst... wie du das Wissen auf eigene Daten anwenden kannstDadurch hast du die Themen Deep Learning & AI komplett verstanden, und kannst sie auf deine Probleme anwenden. Das besondere an diesem Kurs sind die umfangreichen Praxisbeispiele: Bilderkennung (ist auf einem Bild ein Auto zu sehen?)Objekterkennung (wo ist das Auto?)Textgenerierung im Stil von Donald Trump mit Tensorflow.jsEntwickle eine Artificial Intelligence für ein Spiel (Flappy-Bird), die einen unglaublich hohen Highscore erreicht (10000+)Beschleunige die Berechnung mit einer Grafikkarte aus der Amazon-CloudPraxis ist der Lernturbo! Lerne verstärkt durch spannende, lebhafte Praxis! Ein effektiver Lernprozess ist die optimale Kombination von Theorie und Praxis.
Der große Deep Learning Kurs mit Keras und TensorFlow 2Dieser Grundlagenkurs führt dich durch den Einsatz des Keras und TensorFlow 2-Frameworks von Google, um künstliche neuronale Netzwerke für Deep Learning zu erstellen. Ziel dieses Kurses ist es, dir einen leicht verständlichen Leitfaden zur Komplexität des TensorFlow-Frameworks zu geben. Andere Kurse und Tutorials tendieren dazu, sich von reinem TensorFlow fernzuhalten und stattdessen Abstraktionen zu verwenden, die dem Teilnehmer wenig tatsächliches Handwerkszeug mit auf den Weg geben. In unserem Kurs hingegen bieten wir dir eine vollständige Anleitung zur bestimmungsgemäßen Verwendung des TensorFlow-Frameworks und zeigen dir die neuesten Techniken des Deep Learning. Wichtig: Unser Deep-Learning-Kurs erfordert Grundkenntnisse der Programmierung mit Python! Falls du die Grundlagen von Python bisher noch nicht erlernt hast, solltest du zuerst einen unserer Python-Kurse durcharbeiten! "War ein toller Kurs und konnte mir durch diesen Kurs ein Verständnis über Neuronale Netzwerke verschaffen! Der Kurs ist sehr gut aufgebaut und strukturiert. Zunächst wird die Theorie erklärt, darauf folgt ein Bespiel und schließlich eine Übungsaufgabe... Besonders toll finde ich, dass auch die Folien entahlten sind!" (★★★★★ S. Tatzreiter)Dieser Kurs besteht aus zwei Teilen, das heisst du bekommst 2 Kurse für 1.-----------------------------------Teil 1: Keras und Tensorflow 2-----------------------------------Wir konzentrieren uns darauf, die neuesten Updates für TensorFlow 2 zu zeigen und mit der Keras-API (der offiziellen API von TensorFlow 2.0) schnell und einfach Modelle zu erstellen.
Deep Learning verstehen: Entwickle Neuronale Netze in PythonDein perfekter Einstieg in Deep Learning: Schreibe dein eigenes Neuronales Netz! Neuronale Netzte vollbringen unglaubliches - egal ob für Bilderkennung, maschinellen Übersetzungen, oder fürs Vorlesen von Texten. Aber wie funktionieren sie eigentlich "unter der Haube"? Genau dieses Geheimnis möchte ich in diesem Kurs lüften. In der Programmiersprache Python entwickeln wir Schritt für Schritt ein komplettes neuronales Netz. Nach Abschluss des Kurses hast du eine vollständige Bilderkennung für Zahlen. Du hast dann ein neuronales Netz, welches zu einem Bild ausgibt, welche Ziffer darauf zu sehen ist (0-9). Nebenbei hast du die komplette Intuition hinter den neuronalen Netzen verstanden.
PyTorch - 6 Neuronale Netze einfach in Python erstellenIn diesem Kurs wird der Teilnehmer lernen, leicht und effizient neuronale Netze in Python zu programmieren, sowie sie auf der Grafikkarte trainieren zu lassen. Diese Methodik wird anhand von 6 sehr unterschiedlichen Beispielen erklärt, welche die verbreitetsten Netzarten abdecken: Einfache Feed-Forward NetzeHandschrifterkennung und Bilderkennung mit Convolutional NetzenNamenserkennung mit rekurrenten NetzenPasswortgenerierung mit rekurrenten NetzenReinforcement Learning für Spiele Vorkenntnisse in Python und der Theorie von neuronalen Netzen sind vorausgesetzt. Letzteres umfasst die Funktionsweise, wie etwa Convolution arbeitet, was Pooling Layer sind oder wie der Softmax funktioniert.
Deep Learning, Neuronale Netze und TensorFlow in PythonDieser Kurs ist dein umfassender Einstieg in die Welt des Deep Learnings – mit einem klaren Fokus auf Praxis, fundierter Theorie und moderner Python-Entwicklung mit TensorFlow 2 und Keras. Statt nur Code-Schnipsel zu kopieren, lernst du wirklich zu verstehen, wie neuronale Netze funktionieren – von der mathematischen Basis bis zur Anwendung. Du wirst eigene Modelle Schritt für Schritt selbst aufbauen und trainieren, Bilddaten analysieren und sogar Texte mit KI verarbeiten. Du startest mit den Grundlagen des Machine Learning und neuronaler Netzwerke – und steigst dann tief in die wichtigsten Netzarchitekturen ein: Von klassischen Fully Connected Networks über CNNs für Bildverarbeitung bis zu RNNs/LSTMs für Zeitreihen und Texte. Dabei kommen State-of-the-art Modelle wie ResNet und DenseNet ebenfalls nicht zu kurz. Auch Natural Language Processing (NLP) ist Teil des Kurses – perfekt, um moderne KI-Anwendungen wie Chatbots oder Textklassifizierer zu entwickeln. Kursinhalte im Überblick: Einführung in Machine Learning und neuronale NetzeMathematische Grundlagen (z. B. Aktivierungsfunktionen, Backpropagation)Eigene Modelle in TensorFlow 2 und Keras entwickelnVisualisierung und Debugging mit TensorBoardDigitale Bildverarbeitung mit CNNsModerne Architekturen: ResNet, DenseNetSequenzmodelle: RNNs und LSTM für zeitabhängige DatenEinstieg in Natural Language Processing (NLP) mit KerasPraxisnahe Projekte und ÜbungenZiel: Werde fit im Umgang mit modernen KI-Technologien und baue deine eigenen Deep-Learning-Modelle – fundiert, praxisnah, professionell.

Sortiert nach Erscheinung (neueste zuerst). Details und Anbieter-Link (Affiliate-Link, Werbung) auf der jeweiligen Kursseite.

Framework wählen: TensorFlow oder PyTorch?

Beide Frameworks können heute dasselbe, aber sie stehen für zwei Kulturen: TensorFlow mit Keras kommt aus Googles Produktionswelt und ist in vielen deutschen Industrie-Teams gesetzt, PyTorch aus der Forschung und dominiert seit einigen Jahren die Veröffentlichungen und die Hugging-Face-Welt der vortrainierten Modelle. Für den Einstieg ist die Wahl weniger wichtig, als es sich anfühlt – die Konzepte (Layer, Verlustfunktion, Backpropagation, Overfitting) sind identisch, und wer eines beherrscht, wechselt in Tagen. Praktisch: Keras hat die flachere Lernkurve, PyTorch zeigt mehr von dem, was wirklich passiert; fastai sitzt als Komfortschicht auf PyTorch und erlaubt erste State-of-the-Art-Ergebnisse mit wenigen Zeilen.

Verstehen oder anwenden – zwei Kurstypen

Ein Teil der Kurse hier baut Netze von Hand nach, inklusive der Mathematik hinter Gradientenabstieg und Faltung; der andere Teil zeigt, wie man mit fertigen Bausteinen schnell zu Bilderkennung, Stimm-Klonen oder Textklassifikation kommt. Beide Wege sind legitim, aber die Reihenfolge zählt: Wer nur die Anwendungsseite lernt, kann später schwer beurteilen, warum ein Modell versagt oder ob ein Ergebnis überhaupt plausibel ist. Ein Grundlagenkurs mit selbst geschriebenem Netz, danach ein Framework-Kurs und ein Anwendungsprojekt – das ist die Abfolge, die in der Praxis trägt.

Große Sprachmodelle und generative KI

Transformer sind die Architektur hinter ChatGPT, Übersetzern und modernen Bildgeneratoren; die Kurse zu Transformer-Modellen, NLU und GANs erklären, wie diese Systeme aufgebaut und trainiert werden – auf einer Größenordnung, die sich auf dem eigenen Rechner nachvollziehen lässt. Wer solche Modelle nur bedienen statt bauen will, ist bei Prompt Engineering und den Werkzeug-Kursen besser aufgehoben; wer verstehen will, was Fine-Tuning, Embeddings oder Attention bedeuten, ist hier richtig.

Häufige Fragen

Kann ich Deep Learning ohne teure Grafikkarte lernen?: Ja. Google Colab und ähnliche Dienste stellen GPU-Umgebungen im Browser bereit – viele Kurse hier setzen genau darauf, und die Übungsdatensätze sind so gewählt, dass ein Training in Minuten läuft. Eine eigene GPU lohnt erst, wenn du regelmäßig eigene Modelle über Stunden trainierst oder mit größeren Datensätzen arbeitest.
Wie tief muss ich in die Mathematik neuronaler Netze einsteigen?: Für die Anwendung genügen ein Gefühl für Matrizen und Ableitungen – und keine Scheu vor Formeln. Wer verstehen will, warum ein Netz lernt, braucht lineare Algebra und etwas Analysis – mehrere Kurse hier bauen genau das nebenbei auf, und ein eigener Mathematik-Grundlagenkurs steht bei Data Science & Machine Learning.
Machine Learning oder gleich Deep Learning?: Deep Learning ist ein Teilgebiet des Machine Learning und lohnt sich vor allem bei Bildern, Sprache und Audio. Für tabellarische Daten – der Normalfall in Unternehmen – sind klassische Verfahren wie Gradient Boosting oft besser und deutlich sparsamer. Ein Grundkurs Machine Learning zuerst hilft, diese Entscheidung selbst treffen zu können.
Wo lernt man Computer Vision oder NLP gezielt?: Beides ist hier in eigenen Kursen vertreten: OpenCV und CNNs für Bilder, spaCy-, Transformer- und NLU-Kurse für Sprache. Sinnvoll ist ein allgemeiner Deep-Learning-Kurs davor – Datenaufbereitung, Training und Evaluation sind für beide Felder dieselben Handgriffe.