Willkommen zu diesem Kurs über die Anpassung Ihrer Modelle mit TensorFlow 2! In diesem Kurs vertiefen Sie Ihre Kenntnisse und Fähigkeiten mit TensorFlow, um vollständig angepasste Deep Learning Modelle und Workflows für jede Anwendung zu entwickeln. Sie werden APIs auf niedrigerer Ebene in TensorFlow verwenden, um komplexe Modellarchitekturen, vollständig angepasste Schichten und einen flexiblen Datenworkflow zu entwickeln. Sie werden Ihr Wissen über die TensorFlow-APIs auch auf Sequenzmodelle ausweiten. Sie werden die erlernten Konzepte in praktischen Programmierübungen, durch die Sie von einem Lehrassistenten angeleitet werden, sofort in die Praxis umsetzen. Zusätzlich gibt es eine Reihe von automatisch benoteten Programmieraufgaben, mit denen Sie Ihre Fähigkeiten festigen können. Am Ende des Kurses werden Sie viele der Konzepte in einem Capstone Project zusammenführen, in dem Sie ein eigenes neuronales Übersetzungsmodell von Grund auf entwickeln werden. TensorFlow ist eine Open-Source-Maschinenbibliothek und eines der am häufigsten verwendeten Frameworks für Deep Learning. Die Veröffentlichung von TensorFlow 2 stellt einen Schritt in der Produktentwicklung dar, wobei der Schwerpunkt auf der Benutzerfreundlichkeit für alle Benutzer, vom Anfänger bis zum Fortgeschrittenen, liegt.

Dieser Kurs schließt direkt an den vorherigen Kurs Erste Schritte mit TensorFlow 2 an. Weitere Voraussetzungen für die erfolgreiche Teilnahme an diesem Kurs sind die Beherrschung der Programmiersprache Python (dieser Kurs verwendet Python 3), Kenntnisse allgemeiner Konzepte des maschinellen Lernens (z.B. Overfitting/Underfitting, überwachte Lernaufgaben, Validierung, Regularisierung und Modellauswahl) sowie Kenntnisse im Bereich des Deep Learning, einschließlich typischer Modellarchitekturen (MLP, CNN, RNN, ResNet) und Konzepte wie Transfer Learning, Datenerweiterung und Worteinbettung.

Willkommen zu diesem Kurs über Probabilistisches Deep Learning mit TensorFlow! Dieser Kurs baut auf den grundlegenden Konzepten und Fähigkeiten für TensorFlow auf, die in den ersten beiden Kursen dieser Spezialisierung vermittelt wurden, und konzentriert sich auf den probabilistischen Ansatz des Deep Learning. Dies ist ein zunehmend wichtiger Bereich des Deep Learning, der darauf abzielt, das Rauschen und die Ungewissheit zu quantifizieren, die oft in realen Datensätzen vorhanden sind. Dies ist ein entscheidender Aspekt beim Einsatz von Deep Learning-Modellen in Anwendungen wie autonomen Fahrzeugen oder medizinischen Diagnosen; das Modell muss wissen, was es nicht weiß. Sie werden lernen, wie Sie probabilistische Modelle mit TensorFlow entwickeln und dabei insbesondere die TensorFlow Probability-Bibliothek nutzen, die es Ihnen erleichtern soll, probabilistische Modelle mit Deep Learning zu kombinieren. Daher kann dieser Kurs auch als eine Einführung in die TensorFlow Probability Bibliothek angesehen werden. Sie werden lernen, wie Wahrscheinlichkeitsverteilungen dargestellt und in Deep Learning Modelle in TensorFlow integriert werden können, einschließlich Bayes'scher neuronaler Netze, normalisierender Flows und variierender Autocoder. Sie werden lernen, wie man Modelle zur Quantifizierung von Unsicherheiten entwickelt, sowie generative Modelle, die neue Stichproben erzeugen können, die denjenigen im Datensatz ähnlich sind, wie z.B. Bilder von Gesichtern berühmter Persönlichkeiten. Sie werden die Konzepte, die Sie lernen, sofort in die Praxis umsetzen, und zwar in praktischen Programmierübungen, durch die Sie von einem Lehrassistenten angeleitet werden. Am Ende des Kurses werden Sie viele der erlernten Konzepte in einem Capstone-Projekt zusammenführen, in dem Sie einen Variations-Autoencoder-Algorithmus entwickeln werden, um ein generatives Modell eines synthetischen Bilddatensatzes zu erstellen, den Sie selbst erstellen werden.

Dieser Kurs knüpft an die beiden vorangegangenen Kurse der Spezialisierung an, Getting Started with TensorFlow 2 und Customising Your Models with TensorFlow 2. Als zusätzliche Voraussetzung für den Erfolg in diesem Kurs benötigen Sie ein solides Fundament in Wahrscheinlichkeit und Statistik. Insbesondere wird vorausgesetzt, dass Sie mit Standardwahrscheinlichkeitsverteilungen, Wahrscheinlichkeitsdichtefunktionen und Konzepten wie der Maximum-Likelihood-Schätzung, der Formel für die Änderung von Variablen für Zufallsvariablen und der Evidence Lower Bound (ELBO), die bei der Variationsinferenz verwendet wird, vertraut sind.