Arbeite dich in neun Jupyter-Notebooks von TensorFlow-2-Grundlagen zu funktionsfähigen neuronalen Modellen vor. Du beginnst mit Tensoren, Eager Execution und automatischer Differenzierung, implementierst Regression und Klassifikation und gehst dann zu CNNs, Transfer Learning und Modellspeicherung über.
Der Kurs vergleicht bewusst mehrere API-Ebenen. Du schreibst Low-Level-Berechnungen mit Variablen und GradientTape, baust tf.keras-Modelle mit Sequential und Functional, leitest Modelle ab und vervollständigst Implementierungen mit echten und synthetischen Daten.
Was du lernen wirst
- TensorFlow-Tensoren und -Variablen in Eager Execution erstellen und bearbeiten
- Ableitungen berechnen und Gradienten mit
tf.GradientTapeverfolgen - Lineare Regression mit Low-Level-Operationen, Schichten und Keras-Modellen umsetzen
- Polynomregression durch Vervollständigen einer Low-Level-Implementierung anpassen
- Flache Klassifikatoren mit eigenem Code, Sequential, Functional und Modellklassen bauen
- Handschriftliche Ziffern und Daten zur Fahrzeugsicherheit vorbereiten und klassifizieren
- VGG- und LeNet-5-Netze für Fashion-MNIST bauen und eine vortrainierte VGG16-Basis anpassen
- Gewichte, vollständige Modelle und Low-Level-Checkpoints speichern und wiederherstellen
Für wen dieser Kurs geeignet ist
Der Kurs richtet sich an Lernende mit Python- und einführenden Machine-Learning-Kenntnissen, die TensorFlow 2 vom Tensor bis zum CNN praktisch kennenlernen möchten. Die als Anfänger markierten Notebooks gehen schnell voran und setzen Arrays, Regression, Klassifikation und den Grundzweck neuronaler Schichten voraus. Deployment und produktives Serving werden nicht behandelt.
Voraussetzungen: Python, NumPy-artige Array-Operationen sowie Grundlagen zu Ableitungen, Regression, Klassifikation und neuronalen Netzen werden empfohlen. Jupyter-Kenntnisse sind hilfreich.
Lernumgebung: Alle neun Aktivitäten laufen in einer bereitgestellten Ubuntu-22.04-Jupyter-Umgebung. Die Notebooks enthalten Erklärungen, Beispiele, Datenladecode und zu ergänzende Implementierungsabschnitte.
Häufig gestellte Fragen
Ist dies nur eine Einführung in die TensorFlow-Syntax?
Nein. Nach Syntax und automatischer Differenzierung folgen Regression, Klassifikation, VGG- und LeNet-5-Modelle, Transfer Learning und Modellspeicherung.
Welche Datensätze werden verwendet?
Zum Einsatz kommen erzeugte Regressionsdaten, scikit-learn-Ziffern, Car Evaluation und Fashion-MNIST für Regression, tabellarische und Bildklassifikation.
Folgen alle Beispiele dem neuesten TensorFlow-2-API-Stil?
Nein. Der Hauptansatz nutzt Eager, GradientTape und tf.keras, einige Zellen behalten jedoch frühe Namen wie tf.train.AdamOptimizer. Prüfe beim Übertragen die aktuelle Dokumentation.
Gibt es ein einziges Abschlussprojekt?
Nein. Stattdessen gibt es gezielte Aufgaben zu Polynomregression, Fahrzeugsicherheitsklassifikation und einem LeNet-5-ähnlichen Netz sowie angeleitete Notebooks.
