Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow. Aurélien Géron

rel="nofollow" href="#u783289a3-2125-44ca-a33f-ebd359e232d7">Beam Search

       Attention-Mechanismen

       Visuelle Attention

       Attention Is All You Need: Die Transformer-Architektur

       Aktuelle Entwicklungen bei Sprachmodellen

       Übungen

       17Representation Learning und Generative Learning mit Autoencodern und GANs

       Effiziente Repräsentation von Daten

       Hauptkomponentenzerlegung mit einem untervollständigen linearen Autoencoder

       Stacked Autoencoder

       Einen Stacked Autoencoder mit Keras implementieren

       Visualisieren der Rekonstruktionen

       Den Fashion-MNIST-Datensatz visualisieren

       Unüberwachtes Vortrainieren mit Stacked Autoencoder

       Kopplung von Gewichten

       Trainieren mehrerer Autoencoder nacheinander

       Convolutional Autoencoder

       Rekurrente Autoencoder

       Denoising Autoencoder

       Sparse Autoencoder

       Variational Autoencoder

       Fashion-MNIST-Bilder erzeugen

       Generative Adversarial Networks

       Schwierigkeiten beim Trainieren von GANs

       Deep Convolutional GANs

       Progressive wachsende GANs

       StyleGANs

       Übungen

       18Reinforcement Learning

       Lernen zum Optimieren von Belohnungen

       Suche nach Policies

       Einführung in OpenAI Gym

       Neuronale Netze als Policies

       Auswerten von Aktionen: Das Credit-Assignment-Problem

       Policy-Gradienten

       Markov-Entscheidungsprozesse

       Temporal Difference Learning

       Q-Learning

       Erkundungspolicies

       Approximatives Q-Learning und Deep-Q-Learning

       Deep-Q-Learning implementieren

       Deep-Q-Learning-Varianten

       Feste Q-Wert-Ziele

       Double DQN

       Priorisiertes Experience Replay

       Dueling DQN

       Die TF-Agents-Bibliothek

       TF-Agents installieren

       TF-Agents-Umgebungen

       Umgebungsspezifikationen

       Umgebungswrapper und Atari-Vorverarbeitung

       Trainingsarchitektur

       Deep-Q-Netz erstellen

       DQN-Agenten erstellen

       Replay Buffer und Beobachter erstellen

       Trainingsmetriken erstellen

       Collect-Fahrer erstellen

       Dataset erstellen