In diesem Kurs werden Sie: - Tensor-Objekte, die grundlegenden Bausteine von TensorFlow, kennenlernen, den Unterschied zwischen dem Eager- und dem Graph-Modus in TensorFlow verstehen und lernen, wie Sie ein TensorFlow-Tool zur Berechnung von Gradienten verwenden. - Ihre eigenen benutzerdefinierten Trainingsschleifen unter Verwendung von GradientTape und TensorFlow-Datensätzen erstellen, um mehr Flexibilität und Sichtbarkeit beim Training Ihres Modells zu erhalten.

- Lernen Sie die Vorteile der Generierung von Code im Graphenmodus kennen, werfen Sie einen Blick darauf, wie Graphencode aussieht, und üben Sie, diesen effizienteren Code automatisch mit den TensorFlow-Tools zu generieren. - Nutzen Sie die Möglichkeiten des verteilten Trainings, um mehr Daten zu verarbeiten und größere Modelle schneller zu trainieren, verschaffen Sie sich einen Überblick über verschiedene verteilte Trainingsstrategien und üben Sie die Arbeit mit einer Strategie, die auf mehreren GPU-Kernen trainiert, und einer anderen, die auf mehreren TPU-Kernen trainiert. Die DeepLearning.AI TensorFlow: Advanced Techniques Specialization führt in die Funktionen von TensorFlow ein, die Lernenden mehr Kontrolle über ihre Modellarchitektur und Tools bieten, mit denen sie fortgeschrittene ML-Modelle erstellen und trainieren können. Diese Specialization richtet sich an Softwareentwickler und Ingenieure für maschinelles Lernen, die bereits über ein grundlegendes Verständnis von TensorFlow verfügen und ihre Kenntnisse und Fähigkeiten durch das Erlernen fortgeschrittener TensorFlow-Funktionen zur Erstellung leistungsstarker Modelle erweitern möchten.

In diesem Kurs werden Sie: a) Bildklassifizierung, Bildsegmentierung, Objektlokalisierung und Objekterkennung kennenlernen. Wenden Sie Transfer Learning auf die Lokalisierung und Erkennung von Objekten an. b) Wenden Sie Modelle zur Objekterkennung wie regional-CNN und ResNet-50 an, passen Sie bestehende Modelle an und erstellen Sie Ihre eigenen Modelle, um Ihre eigenen Gummientenbilder zu erkennen, zu lokalisieren und zu beschriften. c) Implementieren Sie die Bildsegmentierung unter Verwendung von Variationen des Fully Convolutional Network (FCN) einschließlich U-Net und d) Mask-RCNN, um Zahlen, Haustiere, Zombies und mehr zu identifizieren und zu erkennen.

d) Identifizieren Sie, welche Teile eines Bildes von Ihrem Modell verwendet werden, um seine Vorhersagen mit Hilfe von Klassenaktivierungskarten und Saliency Maps zu treffen und wenden Sie diese ML-Interpretationsmethoden an, um das Design eines berühmten Netzwerks, AlexNet, zu überprüfen und zu verbessern. Die DeepLearning.AI TensorFlow: Advanced Techniques Specialization führt in die Funktionen von TensorFlow ein, die Lernenden mehr Kontrolle über ihre Modellarchitektur und Tools bieten, die ihnen helfen, fortgeschrittene ML-Modelle zu erstellen und zu trainieren. Diese Specialization richtet sich an Softwareentwickler und Ingenieure für maschinelles Lernen, die über ein grundlegendes Verständnis von TensorFlow verfügen und ihre Kenntnisse und Fähigkeiten durch das Erlernen fortgeschrittener TensorFlow-Funktionen zur Erstellung leistungsstarker Modelle erweitern möchten.

In diesem Kurs werden Sie:

a) Lernen Sie die neuronale Stilübertragung mit Hilfe des Transfer-Lernens: Extrahieren Sie den Inhalt eines Bildes (z.B. Schwan) und den Stil eines Gemäldes (z.B. kubistisch oder impressionistisch) und kombinieren Sie den Inhalt und den Stil zu einem neuen Bild. b) Erstellen Sie einfache AutoEncoder auf dem bekannten MNIST-Datensatz und komplexere Deep- und Convolutional-Architekturen auf dem Fashion-MNIST-Datensatz. Verstehen Sie den Unterschied zwischen den Ergebnissen der DNN- und CNN-AutoEncoder-Modelle, identifizieren Sie Möglichkeiten, verrauschte Bilder zu entrauschen, und erstellen Sie einen CNN-AutoEncoder mit TensorFlow, um aus einem verrauschten Bild ein sauberes Bild zu erzeugen. c) Erforschen Sie Variational AutoEncoders (VAEs), um völlig neue Daten zu erzeugen, und erzeugen Sie Anime-Gesichter, um sie mit Referenzbildern zu vergleichen. d) Lernen Sie GANs kennen: ihre Erfindung, ihre Eigenschaften, ihre Architektur und wie sie sich von VAEs unterscheiden. Verstehen Sie die Funktion des Generators und des Diskriminators innerhalb des Modells, das Konzept der 2 Trainingsphasen und die Rolle des eingebrachten Rauschens und bauen Sie Ihr eigenes GAN, das Gesichter generieren kann. Die DeepLearning.AI TensorFlow: Advanced Techniques Specialization führt in die Funktionen von TensorFlow ein, die Lernenden mehr Kontrolle über ihre Modellarchitektur bieten, und gibt ihnen die Werkzeuge, um fortgeschrittene ML-Modelle zu erstellen und zu trainieren. Diese Specialization richtet sich an Software- und Machine-Learning-Ingenieure, die über ein grundlegendes Verständnis von TensorFlow verfügen und ihre Kenntnisse und Fähigkeiten durch das Erlernen fortgeschrittener TensorFlow-Funktionen zur Erstellung leistungsstarker Modelle erweitern möchten.