Einführung in die Künstliche Intelligenz | Neuronale Netzwerke

Показать описание

In diesem Kurs lernen wir sowohl die mathematischen als auch die programmiertechnischen Grundlagen von neuronalen Netzwerken, die das Grundgerüst vieler moderner Anwendungen in der Künstlichen Intelligenz, wie z.B. ChatGPT, bilden.

Anhand eines Klassifikationsproblems mit einem medizinischen Datensatz werden wir ein neuronales Netzwerk aufbauen und so trainieren, dass es Vorhersagen über den Schweregrad einer Erkrankung auf neuen, unbekannten Daten treffen kann.

Theorie
0:00 - Intro
1:15 - Road Map
4:47 - Lineare Klassifikation
6:27 - Das Neuron
9:49 - Neuronales Netz (2 Dim)
16:42 - Heaviside-Aktivierungsfunktion
18:32 - Sigmoid-Aktivierungsfunktion
20:22 - Modelparameter
22:13 - Neuronales Netz (3 Dim)
23:15 - Neuronales Netz (n Dim)
24:31 - Input Layer und Output Layer
24:49 - Lineare Transformation: Neudarstellung der Daten
26:06 - Hidden Layer
27:51 - Vektorisierung der Netzwerkgleichungen
29:20 - Lineare Transformation (Visualisierung)
31:32 - Nichtlineare Transformation
35:10 - Feedforward
40:15 - Verlustfunktion
42:37 - Gewichtsinitialisierung
43:43 - Batches
44:40 - Verlust des Batches
45:48 - Zusammenfassung
47:52 - Training des neuronalen Netzwerks
49:03 - Gradientenabstiegsverfahren
52:21 - Lernrate
55:56 - Backpropagation
59:20 - Kettenregel
1:01:12 - Optimierung
1:02:20 - Multiklassen-Klassifikation
1:07:01 - Softmax-Aktivierungsfunktion
1:10:45 - Kategoriale Kreuzentropie
1:13:30 - Deep Learning
1:16:22 - Supervised Learning

Praxis
1:21:13 - Einrichtung der Programmierumgebung
1:22:25 - Machine-Learning-Bibliotheken
1:28:26 - Projektskizze
1:33:27 - Kaggle: Herunterladen des Datensatzes
1:35:50 - Einrichtung des Projekts in Jupyter
1:38:39 - Einrichtung des Projekts in Colab
1:39:25 - Import der Bibliotheken
1:46:27 - Laden des Datensatzes in Colab
1:48:05 - Datensatz einlesen - Dataframe
1:52:31 - Features und Labels definieren
1:57:11 - Aufteilen der Daten in Trainings- und Testsets
2:01:38 - Feature-Standardisierung
2:06:20 - Modell aufstellen
2:11:09 - Modell kompilieren
2:17:57 - Modell trainieren
2:26:57 - Modell bewerten
2:32:37 - Trainings- und Validierungsgenauigkeit plotten
2:38:38 - Hyperparameter
2:40:30 - Outro