Deep Learning – Teil 2: Bildverarbeitung

Der zweite Teil unserer Einstiegsreihe zu Deep Learning widmet sich voll und ganz den faszinierenden Möglichkeiten, die Deep Learning in der Bildverarbeitung bietet. Mit Convolutional Neural Networks (CNNs) lernst du das Herzstück moderner Computer Vision kennen – und verstehst, wie Bilder analysiert, klassifiziert und verarbeitet werden.

Darüber hinaus tauchst du in fortgeschrittene Techniken ein, die heute in zahlreichen Anwendungen zum Einsatz kommen. Du erfährst, wie du mit Transfer Learning vortrainierte Modelle wie VGG16 gezielt für deine eigenen Bilderkennungsprojekte nutzt. Ebenso lernst du das Sliding-Window-Verfahren kennen, um Objekte in Bildern zu lokalisieren.
Ein weiterer Schwerpunkt liegt auf Autoencodern, mit denen du z.B. verrauschte Bilder rekonstruieren kannst. Schließlich erhältst du eine Einführung in Generative Adversarial Networks (GANs) – ein innovativer Ansatz zum Generieren von Bildern.

Alle Kurse dieser Reihe legen großen Wert auf Praxis: Zahlreiche Übungen, Code-Beispiele und Projekte ermöglichen es dir, das Gelernte unmittelbar anzuwenden. Mit diesem Kurs baust du deine Kenntnisse im Bereich Deep Learning deutlich aus und bist anschließend bereit für anspruchsvolle Bildverarbeitungsaufgaben.

Alle Video-Lektionen im Überblick:

• 1. Herzlich willkommen zu diesem Kurs

• 2. CNNs – Convolutional Neural Networks

  • Kapitelüberblick

  • Die Hauptkomponenten eines CNN

  • CNNs für Schwarz-Weiß-Bilder

  • CNNs für Farbbilder

  • GPU-Konfiguration für CNNs

  • Bilddaten für CNNs importieren

  • Bilddaten für CNNs filtern

  • CNN erstellen

  • CNN trainieren und bewerten

  • Quiz: CNNs – Convolutional Neural Networks

• 3. Projekt 4 – Bildklassifikation mit Convolutional Neural Networks

  • Kapitelüberblick

  • Projektvorlage in Python

  • Projektlösung in Python

• 4. Transfer Learning und das Sliding-Window-Verfahren

  • Kapitelüberblick

  • Transfer Learning – Intuition

  • Sliding Window – Intuition

  • Bilddaten für Transfer Learning importieren

  • Transfer-Learning-Modell erstellen

  • Transfer-Learning-Modell trainieren

  • Transfer-Learning-Modell bewerten

  • Sliding Window (Schritt für Schritt)

  • Texte auf Bildern mit OpenCV hinzufügen

  • Mit For-Schleifen über Bilder iterieren

  • Sliding Window automatisiert durchführen

  • Zusammenfassung aller Sliding-Window-Schritte

  • Überlappungen in den Sliding-Window-Vorhersagen entfernen

  • Quiz: Transfer Learning und das Sliding-Window-Verfahren

• 5. Projekt 5 – KI-basierte Objekterkennung für selbstfahrende Autos

  • Kapitelüberblick

  • Projektvorlage in Python

  • Projektlösung in Python

• 6. Autoencoders

  • Kapitelüberblick

  • Autoencoders – Intuition

  • Vorstellung der Fashion-MNIST-Daten

  • Bildrauschen bei Fashion-MNIST hinzufügen

  • Autoencoder erstellen und trainieren

  • Autoencoder bewerten

  • Quiz: Autoencoders

• 7. Projekt 6 – KI-gestützte Rauschentfernung in der Bildverarbeitung

  • Kapitelüberblick

  • Projektvorlage in Python

  • Projektlösung in Python

• 8. GANs – Generative Adversarial Networks

  • Kapitelüberblick

  • GANs – Intuition

  • GAN-Datensatz visualisieren

  • GAN-Datenpipeline erstellen

  • GAN-Generator erstellen

  • GAN-Discriminator erstellen

  • GAN trainieren

  • GAN bewerten

  • Quiz: GANs – Generative Adversarial Networks

• 9. Projekt 7 – KI-Bilder mit Python generieren (Generative AI)

  • Kapitelüberblick

  • Projektvorlage in Python

  • Projektlösung in Python

• 10. Abschluss

  • Fazit und Kursabschluss

So lernst du mit diesem Videokurs:

In den Videokursen der heise academy lernst du IT-Themen anschaulich und verständlich. Du siehst den Experten bei der praktischen Arbeit zu und lässt dir dabei alles genau erklären. Das Wissen ist in kompakte Lerneinheiten unterteilt, sodass du den Kurs Schritt für Schritt durcharbeiten oder gezielt zu Lektionen springen kannst, die dich interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für dich bereit, die dich beim Lernen unterstützen:

• Flexibler Videoplayer mit vielen Steuerungsmöglichkeiten

• Wissensquiz zur Lernkontrolle

• Lernhistorie und Lernfortschritt

• Lesezeichen und Notizen

• Volltextsuche in den Videos

• Frage-den-Experten-Modul

• Übungsmaterial zum Mitmachen

• Responsive Web-App und Videostreaming für alle Endgeräte

Technische Voraussetzungen:

Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.