Welche Technologien und Werkzeuge werden behandelt?

Sie werden mit Python, PyTorch und den dazugehörigen Bibliotheken für numerische Berechnungen und Visualisierung arbeiten.

Brauche ich Vorkenntnisse im Bereich Deep Learning?

Es sind keine Vorkenntnisse im Bereich Deep Learning erforderlich. Grundkenntnisse in Python und ein grundlegendes Verständnis der Konzepte des maschinellen Lernens reichen aus.

Werde ich in diesem Kurs echte Projekte umsetzen?

Ja. Sie werden praktische Übungen absolvieren und ein abschließendes Übungsprojekt durchführen, bei dem es um die Erstellung eines vollständigen Bildklassifizierungssystems geht.

Inwiefern hilft dieser Kurs beim Thema Computer Vision?

Der Kurs bietet eine Einführung in konvolutionelle neuronale Netze, Merkmalsextraktion, Objekterkennung, Segmentierungskonzepte und Ähnlichkeitslernen für bildverarbeitungsbasierte Anwendungen.

Wie wird die Modellleistung in diesem Kurs bewertet?

Sie lernen, Verlustkurven, das Konvergenzverhalten und Bewertungskennzahlen zu analysieren, um die Modellleistung zu bewerten und zu verbessern.

Auf welche Berufe oder Karrierewege bereitet mich dieser Studiengang vor?

Dieser Kurs richtet sich an Berufsgruppen wie Machine-Learning-Ingenieure, KI-Ingenieure, Computer-Vision-Ingenieure und Datenwissenschaftler.

Was kann ich nach Abschluss dieses Kurses tun?

Nach Abschluss dieses Kurses können Sie sich mit fortgeschrittenen Themen des Deep Learning oder Kursen mit Spezialisierung auf Computer Vision befassen oder mit der Entwicklung praxisorientierter, bildverarbeitungsbasierter KI-Systeme beginnen.

Ist finanzielle Hilfe verfügbar?

Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Einschreibegebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zur Beantragung.

Neuronale Netze und Grundlagen der Computer Vision

Sichern Sie sich eines unserer besten Angebote mit Coursera Plus für 199 $ (normalerweise 399 $). Jetzt sparen.

Neuronale Netze und Grundlagen der Computer Vision

Dieser Kurs ist Teil von Spezialisierung „ Erweiterte Deep Learning-Architekturen“

Dozent: Edureka

Bei enthalten

Mehr erfahren

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Anfänger

Empfohlene Erfahrung

1 Woche zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

4 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Anfänger

Empfohlene Erfahrung

1 Woche zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Wie neuronale Netze funktionieren, einschließlich Vorwärtsausbreitung, Verlustberechnung und Rückwärtsausbreitung
Wie man neuronale Netze trainiert, optimiert und regularisiert, um eine stabile Konvergenz zu erreichen
Wie konvolutionelle neuronale Netze Bilder verarbeiten und visuelle Merkmale lernen
Wie man durchgängige Bildklassifizierungs- und Bildverarbeitungssysteme entwickelt und bewertet

Kompetenzen, die Sie erwerben

Kategorie: Faltungsneuronale Netze
Kategorie: Künstliche Intelligenz
Kategorie: Lernen übertragen
Kategorie: Künstliche neuronale Netze
Kategorie: Datenwissenschaft
Kategorie: Modell-Optimierung
Kategorie: Methoden des maschinellen Lernens
Kategorie: Künstliche Intelligenz und maschinelles Lernen (AI/ML)
Kategorie: Rekurrente Neuronale Netze (RNNs)
Kategorie: Bildanalyse
Kategorie: Tiefes Lernen
Kategorie: Computer Vision
Kategorie: Maschinelles Lernen
Kategorie: Matplotlib
Kategorie: Datenvisualisierung
Kategorie: Modell Ausbildung
Kategorie: Bewertung des Modells

Werkzeuge, die Sie lernen werden

Kategorie: PyTorch (Bibliothek für maschinelles Lernen)
Kategorie: Python-Programmierung
Kategorie: NumPy

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Kürzlich aktualisiert!

März 2026

Bewertungen

13 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „ Erweiterte Deep Learning-Architekturen“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 4 Module

Dieser Kurs führt Sie in die grundlegenden Prinzipien hinter neuronalen Netzen und Computer-Vision-Systemen ein und konzentriert sich dabei darauf, wie Vorwärtsausbreitung, Rückwärtsausbreitung, Optimierung und konvolutionelle Architekturen moderne KI-Anwendungen ermöglichen.

Anhand von praktischen Demonstrationen und Übungen lernen Sie, neuronale Netze von Grund auf aufzubauen, sie effektiv zu trainieren und diese Modelle auf reale Bildverarbeitungsaufgaben wie Bildklassifizierung, Erkennung und Ähnlichkeitslernen anzuwenden. Am Ende dieses Kurses werden Sie in der Lage sein: - zu erklären, wie neuronale Netze mithilfe von Vorwärtsdurchläufen, Verlustfunktionen und Rückpropagation lernen - Trainingspipelines für neuronale Netze zu implementieren und die Konvergenz von Modellen zu analysieren - Optimierungs-, Regularisierungs- und Normalisierungstechniken anzuwenden, um die Leistung zu verbessern - konvolutionelle neuronale Netze zu verstehen und zu erkennen, wie sie visuelle Merkmale extrahieren - End-to-End-Systeme für die Bildklassifizierung und Computer Vision aufzubauen und zu bewerten Dieser Kurs ist ideal für angehende KI-Praktiker, Datenwissenschaftler, Softwareentwickler und ML-Ingenieure, die sich eine solide Grundlage in neuronalen Netzen und bildbasiertem Lernen aneignen möchten. Praktische Kenntnisse in Python und grundlegende Konzepte des maschinellen Lernens werden empfohlen. Seien Sie dabei und erwerben Sie eine solide Grundlage in neuronalen Netzen und Computer Vision – den CORE-Technologien, die die intelligenten KI-Systeme von heute antreiben.

Dieses Modul bietet eine Einführung in neuronale Netze ausgehend von den Grundlagen und erläutert, wie Modelle Vorhersagen berechnen, Fehler messen und durch Backpropagation lernen. Die Lernenden implementieren Vorwärtsdurchläufe, Trainingsschleifen und den Gradientenfluss, um sich ein solides Fundament zum Lernprozess neuronaler Netze anzueignen.

Das ist alles enthalten

15 Videos6 Lektüren4 Aufgaben

15 VideosInsgesamt 73 Minuten

Spezialisierung Einführung4 Minuten
Einführung in den Kurs3 Minuten
Einführung in Deep Learning3 Minuten
Wie neuronale Netze lernen3 Minuten
Perzeptrone und mehrschichtige Netzwerke4 Minuten
Demonstration: Implementierung eines Vorwärtspasses von Grund auf7 Minuten
Demonstration: Ablauf der Verlustberechnung und -prognose5 Minuten
Backpropagation: Intuition und Mathematik4 Minuten
Kettenregel und Gradientenberechnung4 Minuten
Demonstration: Manuelle Implementierung der Backpropagation7 Minuten
Demonstration: Visualisierung des Gradientenflusses7 Minuten
Trainingspipelines für neuronale Netze3 Minuten
Demonstration: Implementierung einer Trainingsschleife7 Minuten
Demonstration: Verlustkurven und Konvergenzanalyse: Trainings-Pipeline6 Minuten
Demonstration: Verlustkurven und Konvergenzanalyse: Visualisierung 5 Minuten

6 LektürenInsgesamt 110 Minuten

Willkommen zum Kurs „Grundlagen neuronaler Netze und Bildverarbeitungssysteme“10 Minuten
Grundlagen neuronaler Netze erklärt20 Minuten
Backpropagation Schritt für Schritt20 Minuten
PyTorch erklärt: Bibliotheken, Arbeitsabläufe und erweiterte Funktionen30 Minuten
Neuronale Netze richtig trainieren20 Minuten
Zusammenfassung des Moduls: Grundlagen neuronaler Netze CORE10 Minuten

4 AufgabenInsgesamt 48 Minuten

Wissensüberprüfung: Grundlagen neuronaler Netze6 Minuten
Wissensüberprüfung: Backpropagation und Gradientenfluss6 Minuten
Wissensüberprüfung: Trainingsschleifen und Modellkonvergenz6 Minuten
Wissenscheck: Grundlagen neuronaler Netze CORE30 Minuten

Im Mittelpunkt dieses Moduls steht das effiziente und zuverlässige Trainieren neuronaler Netze mithilfe von Gradientenabstieg, adaptiven Optimierern und Strategien zur Lernratenanpassung. Die Teilnehmer wenden Regularisierungs- und Normalisierungstechniken an, um den Trainingsprozess zu stabilisieren und die Generalisierungsfähigkeit zu verbessern.

Das ist alles enthalten

14 Videos4 Lektüren4 Aufgaben

14 VideosInsgesamt 76 Minuten

SGD und Momentum-Optimierung4 Minuten
Strategien zur Steuerung der Lernrate5 Minuten
Demonstration: Vergleich zwischen SGD und Momentum7 Minuten
Demonstration: Sensitivitätsanalyse der Lernrate7 Minuten
RMSProp und Adam-Optimierer4 Minuten
Demonstration: Vergleich der Optimiererleistung7 Minuten
Demonstration: Analyse der Konvergenzgeschwindigkeit: Datenaufbereitung5 Minuten
Demonstration: Analyse der Konvergenzgeschwindigkeit: Modelltraining7 Minuten
Demonstration: Analyse der Konvergenzgeschwindigkeit: Visualisierung3 Minuten
Dropout- und Weight-Decay-Verfahren3 Minuten
BatchNorm und LayerNorm erklärt3 Minuten
Demonstration: Analyse des Regularisierungseffekts7 Minuten
Demonstration: Stabilität beim Normalisierungstraining: Modell und Trainingsaufbau7 Minuten
Demonstration: Normalisierung – Trainingsstabilität: Visualisierung5 Minuten

4 LektürenInsgesamt 70 Minuten

Gradientenabstieg-Optimierung20 Minuten
Adaptive Optimierungsalgorithmen20 Minuten
Regularisierungs- und Normalisierungsverfahren20 Minuten
Zusammenfassung des Moduls: Regularisierungs- und Normalisierungsstrategien10 Minuten

4 AufgabenInsgesamt 48 Minuten

Wissensüberprüfung: Optimierungsverfahren mit Gradientenabstieg6 Minuten
Wissensüberprüfung: Adaptive Optimierer erklärt6 Minuten
Wissensüberprüfung: Strategien zur Regularisierung und Normalisierung6 Minuten
Wissenscheck: Strategien zur Regularisierung und Normalisierung30 Minuten

In diesem Modul werden die Grundlagen des Deep Learning auf visuelle Daten angewendet und dabei konvolutionelle neuronale Netze sowie die Bilddarstellung vorgestellt. Die Lernenden entwickeln Systeme für Klassifizierung, Erkennung, Segmentierung und Ähnlichkeitslernen.

Das ist alles enthalten

12 Videos4 Lektüren4 Aufgaben

12 VideosInsgesamt 59 Minuten

Computer Vision als mehrdimensionales Lernen3 Minuten
Architektur von Faltungsneuronalen Netzen4 Minuten
Demonstration: Bilder als mehrdimensionale Tensoren6 Minuten
Demonstration: Visualisierung der Merkmalskarte7 Minuten
Architekturen zur Objekterkennung und -segmentierung4 Minuten
Demonstration: Begrenzungsrahmen vs. Segmentierungsmasken7 Minuten
Demonstration: Erkennung und Segmentierung – Ergebnisse: Modell-Setup 4 Minuten
Demonstration: Erkennung und Segmentierung – Ergebnisse: Analyse der Ergebnisse5 Minuten
Ähnlichkeitslernen mit visuellen Einbettungen4 Minuten
Demonstration: Vergleich von Distanzmetriken: Einrichtung der Einbettung6 Minuten
Demonstration: Vergleich von Distanzmetriken: Ähnlichkeitsranking4 Minuten
Demonstration: Bildähnlichkeit anhand des Einbettungsabstands7 Minuten

4 LektürenInsgesamt 65 Minuten

Grundlagen der Computer Vision20 Minuten
Erkennung und Segmentierung von Objekten20 Minuten
Ähnlichkeitslernen für Bilder15 Minuten
Zusammenfassung des Moduls: Grundlagen der Bildverarbeitung und der CNNs10 Minuten

4 AufgabenInsgesamt 48 Minuten

Wissensüberprüfung: Grundlagen der Bildverarbeitung und von CNNs6 Minuten
Wissensüberprüfung: Objekterkennung und Bildsegmentierung6 Minuten
Wissensüberprüfung in der Praxis: Ähnlichkeitslernen für die Bildverarbeitung6 Minuten
Wissenscheck: Grundlagen der Bildverarbeitung und der CNNs30 Minuten

Dieses Modul festigt das Gelernte durch ein praxisorientiertes Bildverarbeitungsprojekt und eine Abschlussprüfung. Die Lernenden stellen ihre Fähigkeit unter Beweis, vollständige Deep-Learning-Systeme zu entwerfen, zu trainieren und zu bewerten.

Das ist alles enthalten

1 Video1 Lektüre1 Aufgabe

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Edureka

211 Kurse191.201 Lernende

von

Edureka

Mehr von Maschinelles Lernen entdecken

Status: Kostenloser Testzeitraum
Packt
Foundations of Deep Learning and Neural Networks
Kurs
Status: Kostenloser Testzeitraum
MathWorks
Introduction to Deep Learning for Computer Vision
Kurs
Status: Vorschau
Whizlabs
Fundamentals of Deep Learning
Kurs
Status: Kostenloser Testzeitraum
Packt
Foundations of Model Optimization and Deep Learning
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Häufig gestellte Fragen

Dieser Kurs vermittelt fundierte Grundlagen in den Bereichen neuronale Netze und Computer Vision und hilft Ihnen dabei, von Grund auf zu verstehen, wie moderne KI-Systeme entworfen, trainiert und bewertet werden.

Sie lernen, wie neuronale Netze funktionieren, wie sie mithilfe der Backpropagation trainiert werden, wie man Modelle optimiert und wie man diese Konzepte auf Aufgaben der Bildverarbeitung wie die Bildklassifizierung anwendet.

Der Kurs verbindet anschauliche konzeptionelle Erläuterungen mit anschaulichen Demonstrationen und praktischen Übungen, darunter den Aufbau neuronaler Netze und Bildverarbeitungssysteme von Anfang bis Ende.

Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.

Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.