Erarbeite zentrale Ideen neuronaler Netze in sieben Jupyter-Labs zu TensorFlow, Keras und PyTorch. Nach einer konzeptionellen Einführung arbeitest du mit Tensoren und Berechnungen, trainierst Regressionsmodelle, setzt vollständig verbundene Netze zusammen und baust ein Textklassifikationsmodell.
Der Kurs verbindet Framework-Rundgänge mit teilweise auszufüllenden Implementierungen. Beispiele mit kalifornischen Wohnungsdaten, handgeschriebenen Ziffern, IMDB-Filmkritiken und synthetischen Regressionsdaten geben Schichten, Verlusten, Optimierern, Trainingsschleifen und Vorhersagen konkreten Kontext.
Was du lernen wirst
- Wichtige Entwicklungen, Konzepte und Grundstrukturen des Deep Learnings erklären
- Mit TensorFlow-Tensoren, Sessions, Graphen, Variablen, Platzhaltern und Matrixoperationen arbeiten
- TensorFlow-Regression mit kleinsten Quadraten, manuellen Gradienten, Optimierern und Minibatches umsetzen
- Ein mehrschichtiges vollständig verbundenes TensorFlow-Netz für handgeschriebene Ziffern trainieren
- Keras-Schichten, Sequential-Modelle, Functional API, Training, Auswertung und Visualisierung erkunden
- IMDB-Sequenzen vorbereiten und einen Keras-Sequential-Klassifikator für Stimmung bauen
- PyTorch-Tensoren, Autograd, neuronale Module und Optimierer verwenden
- Ein PyTorch-Regressionsmodell samt Trainingsschleife für synthetische Daten vervollständigen
Für wen dieser Kurs geeignet ist
Der Kurs richtet sich an Lernende mit Python- und Machine-Learning-Grundlagen, die vergleichen möchten, wie drei Frameworks Tensoren, Schichten, Modelle und Training ausdrücken. Trotz der Einstufung als Anfänger setzen die kompakten Notebooks NumPy-artige Arrays, Matrixoperationen, Verlustfunktionen und Optimierung voraus. Es ist eine Framework-Grundlage, kein Kurs zu modernem Produktivbetrieb oder fortgeschrittenem Deep Learning.
Voraussetzungen: Grundkenntnisse in Python, NumPy-artigen Array-Operationen, linearer Regression und neuronalen Netzen werden empfohlen. Jupyter-Erfahrung ist hilfreich.
Lernumgebung: Alle sieben Labs laufen in einer bereitgestellten Ubuntu-22.04-Jupyter-Umgebung. Vorbereitete Notebooks kombinieren Erklärungen, ausführbare Beispiele und zu ergänzende Codezellen.
Häufig gestellte Fragen
Baue ich Modelle mit allen drei Frameworks?
Ja. TensorFlow dient für lineare Regression und ein mehrschichtiges Ziffernmodell, Keras für ein Sequential-IMDB-Stimmungsmodell und PyTorch für lineare Regression. Die Framework-Guides behandeln zusätzlich zentrale Abstraktionen.
Ist der Kurs für vollständige Python-Neulinge geeignet?
Nein. Die Notebooks gehen rasch zu Tensoren, Matrixmultiplikation, Verlusten, Gradienten und Trainingsschleifen über. Python- und einführende Machine-Learning-Grundlagen sind wichtig.
Verwendet der Kurs aktuelle Framework-APIs?
Nicht durchgehend. TensorFlow nutzt 1.x-Muster wie Session und placeholder, Keras das eigenständige Paket keras, und der PyTorch-Guide enthält älteres Variable- sowie CUDA-8/9-Material. Die Konzepte sind nützlich, für neue Projekte ist aber aktuelle Dokumentation nötig.
Welche Daten und Aufgaben sind enthalten?
Verwendet werden kalifornische Wohnungsdaten für TensorFlow-Regression, scikit-learn-Ziffern für Klassifikation, IMDB-Kritiken für Stimmungsanalyse und erzeugte Daten für PyTorch-Regression.
