Dies ist das Online-Skript der Vorlesung "Neuronale Netze und Deep Learning" von Prof. Dr. Michael Kipp, Hochschule Augsburg. Alle Abbildungen, deren Quellen nicht angegeben sind, stammen von Michael Kipp und sind urheberrechtlich geschützt. Die blau gekenntzeichneten Kapitel sind Ergänzungen.
Auf YouTube finden Sie zu einigen Themen Lehrvideos in meiner Playlist Deep Learning. Die Videos sind auch im Skript an den entsprechenden Stellen verlinkt. Die Videos sind noch work in progress...
Inhalte
A1 Quellen Literatur, Konferenzen, Populärwissenschaftliches
1 Grundlagen Lineare Algebra, Analysis, Python/NumPy
2 Maschinelles Lernen I Einführung, Regression
3 Maschinelles Lernen II Klassifikation, Evaluation
4 Feedforward-Netze I Perzeptron, Adaline, Keras
5 Feedforward-Netze II Mehrere Schichten, Backpropagation
A2 Backpropagation Mathematische Herleitung
6 Konvolutionsnetze I Konvolution und Konvolutionsschichten
7 Konvolutionsnetze II Methoden gegen Overfitting, Architekturen
8 Konvolutionsnetze III Objekterkennung, YOLO
9 Rekurrente Netze Elman-Netz, GRU, LSTM
10 Unsupervised Learning Hopfield-Netze, Autoencoder
K1 Keras I Training, NLP, Speichern/Laden
K2 Keras II Hyperparameter Tuning
T1 PyTorch I Tensoren
T2 PyTorch II Neuronale Netze