Deep Dive in das fastai Deep Learning Framework

Dieser 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?