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

A3 Python-Bildverarbeitung

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