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.
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
A4 Keras Verschiedene praxisorientierte Themen
A5 PyTorch I Tensoren
A6 PyTorch II Neuronale Netze